[论文解读] Competitive Analysis of Minimum-Cut Maximum Flow Algorithms in Vision Problems

Barak Fishbain, Dorit S. Hochbaum+1 more|arXiv (Cornell University)|Jul 26, 2010

Complexity and Algorithms in Graphs参考文献 37被引用 12

一句话总结

本文对四种最小割/最大流算法——推送-重标号（Push-Relabel）、伪流（Pseudoflow）、增广路径（BK）和部分增广-重标号（Partial Augment-Relabel）——在视觉问题实例上进行了全面的实验比较。结果表明，尽管Boykov-Kolmogorov（BK）算法在小规模或短路径问题上表现优异，但Hochbaum的伪流（HPF）算法在大规模通用实例上表现更优，具有更高的运行速度和高达25%的内存使用降低。

ABSTRACT

Rapid advances in image acquisition and storage technology underline the need for algorithms that are capable of solving large scale image processing and computer-vision problems. The minimum cut problem plays an important role in processing many of these imaging problems such as, image and video segmentation, stereo vision, multi-view reconstruction and surface fitting. While several min-cut/max-flow algorithms can be found in the literature, their performance in practice has been studied primarily outside the scope of computer vision. We present here the results of a comprehensive computational study, in terms of execution times and memory utilization, of four recently published algorithms, which optimally solve the {\em s-t} cut and maximum flow problems: (i) Goldberg's and Tarjan's {\em Push-Relabel}; (ii) Hochbaum's {\em pseudoflow}; (iii) Boykov's and Kolmogorov's {\em augmenting paths}; and (iv) Goldberg's {\em partial augment-relabel}. Our results demonstrate that the {\em Hochbaum's pseudoflow} algorithm, is faster and utilizes less memory than the other algorithms on all problem instances investigated.

研究动机与目标

• 评估四种主流最小割/最大流算法在计算机视觉问题背景下的实际性能。
• 确定哪种算法在需要最优最小割解的大规模视觉应用中最为高效。
• 分析执行时间与内存使用情况的分解，包括初始化、最小割计算和流恢复阶段。
• 通过包含初始化时间并使用更新的公开可用软件实现，纠正先前的性能评价。
• 基于问题规模和结构，为视觉任务中的算法选择提供数据驱动的建议。

提出的方法

• 基准测试了四种最先进的最小割/最大流算法：推送-重标号（PRF）、伪流（HPF）、增广路径（BK）和部分增广-重标号（PAR）。
• 使用了涵盖标准与非标准视觉问题的多样化数据集，包括图像分割、立体视觉和多视角重建。
• 测量了所有算法阶段的执行时间与内存使用情况：初始化、最小割计算和流恢复。
• 通过 /proc/[process]/statm 文件以4KB页粒度收集内存使用数据，以确保准确的系统级测量。
• 对51个问题实例进行了统计分析，比较了不同输入规模（n + m）下的运行时间和内存消耗。
• 提供了详细的运行时间分解，以隔离算法设计与实现逻辑带来的性能差异。

实验结果

研究问题

• RQ1 在真实世界视觉问题中，四种主流最小割/最大流算法在执行时间和内存使用方面如何比较？
• RQ2 初始化阶段是否显著影响总运行时间，是否应在性能比较中包含该阶段？
• RQ3 Boykov-Kolmogorov（BK）算法是否在所有问题规模和结构下始终快于其他算法？
• RQ4 Hochbaum的伪流（HPF）算法在内存效率和可扩展性方面与其它算法相比如何？
• RQ5 对于不同类型视觉问题——小规模与大规模、短路径与长路径——每种算法最适合哪些场景？

主要发现

• 在小规模实例（图元素少于1,000,000个）中，Boykov-Kolmogorov（BK）算法比伪流（HPF）算法更快，平均运行时间分别为48秒和54秒。
• 在较大规模实例（51个实例中的37个）中，HPF优于BK，平均运行时间分别为72秒和100秒，BK的性能下降因子达39%。
• HPF的内存使用量比BK和PRF最多低25%，尤其在弧数量较多的问题中表现更优，显著降低了大规模问题中内存交换的风险。
• 初始化阶段对总运行时间有显著影响，尤其对PRF（因弧排序）影响更大，因此应在性能评估中包含该阶段。
• 由于在所有测试实例中均表现出更优的时间和内存效率，HPF更适合一般性大规模视觉问题。
• 本研究纠正了以往认为BK或PRF始终最快的观点，表明HPF在大多数大规模视觉应用中为最优选择。