[论文解读] Cubical Ripser: Software for computing persistent homology of image and volume data

Shizuo Kaji, Takeki Sudo+1 more|arXiv (Cornell University)|May 23, 2020

Topological and Geometric Data Analysis参考文献 11被引用 25

一句话总结

Cubical Ripser 是一种高性能软件工具，用于使用加权立方复形在图像和体数据上计算持久同调。它将 Ripser 的高效矩阵约化算法适配到立方结构，实现了快速、内存高效的条形码计算，以编码连通分量、环路和空洞等拓扑特征，在提升小样本图像分类任务中深度学习模型性能方面已取得成功。

ABSTRACT

We introduce Cubical Ripser for computing persistent homology of image and volume data (more precisely, weighted cubical complexes). To our best knowledge, Cubical Ripser is currently the fastest and the most memory-efficient program for computing persistent homology of weighted cubical complexes. We demonstrate our software with an example of image analysis in which persistent homology and convolutional neural networks are successfully combined. Our open-source implementation is available online.

研究动机与目标

• 开发一种用于在图像和体数据上计算持久同调的快速且内存高效的工具，这些数据天然地被建模为加权立方复形。
• 解决现有工具（如 Ripser）的局限性，后者虽针对 Vietoris-Rips 复形进行了优化，但不适用于图像数据。
• 提供一种实用且易于访问的软件解决方案，配备 Python 绑定，供拓扑数据分析和图像分析领域的研究人员与从业者使用。
• 展示将拓扑特征与深度学习相结合，以提升小样本图像分类任务性能的实践方法。
• 使 2D 和 3D 图像数据中全局拓扑特征（如环路和空洞）的提取成为可能，用于下游分析。

提出的方法

• 将 Ripser 中的矩阵约化算法适配到加权立方复形，利用余边界矩阵的隐式表示以实现内存效率。
• 将图像建模为在规则网格（1D、2D 或 3D）上的函数，根据像素/体素值为立方体单元分配权重（强度）。
• 通过逐步增加实参数的阈值，对子水平集进行扫描，计算持久同调。
• 以区间 [a,b) 形式输出条形码，表示拓扑特征（0D：连通分量，1D：环路，2D：空洞）在过滤过程中的出生与死亡。
• 生成增强型图像表示，如寿命增强图像和持久直方图图像，以将拓扑特征编码为可用于卷积神经网络的张量。
• 使用改进的持久图像技术，无需核密度估计，使神经网络能够实现端到端学习。

实验结果

研究问题

• RQ1 能否使用立方复形表示高效计算图像和体数据的持久同调？
• RQ2 在图像数据上，Cubical Ripser 的性能与现有工具相比，在速度和内存使用方面如何？
• RQ3 通过持久同调提取的拓扑特征能否提升深度学习模型在小样本或有限训练数据集上的性能？
• RQ4 有哪些有效方法可将持久同调条形码编码为适合与卷积神经网络集成的图像张量？
• RQ5 拓扑特征与人类感知的图像结构之间有何相关性？它们能否在低数据环境下提升模型泛化能力？

主要发现

• Cubical Ripser 是目前计算加权立方复形上持久同调最快且最节省内存的软件，相较于现有工具在图像和体数据上表现更优。
• 将寿命增强图像（其中红、绿、蓝通道分别表示原始强度、0维寿命和1维寿命）与模型结合，显著提升了 Reduced MNIST 数据集上的分类准确率。
• 在 Reduced MNIST 数据集上，每类仅使用 10 张训练图像时，加入持久同调特征后，准确率和 top-2 准确率均有所提升，且对具有明显拓扑特征的数字（如 '0'、'8' 和 '9'）提升更为显著。
• 该方法仅需对现有卷积神经网络进行极小的架构修改，仅需增加输入通道数以容纳拓扑特征。
• 在 16×16×16 分辨率的 3D MNIST 数据集实验中未观察到显著性能提升，可能是因为分辨率过低，导致如孔洞等拓扑特征难以辨识。
• 开源实现（包括生成寿命增强图像和持久直方图图像的代码）已公开，支持拓扑特征在深度学习流程中的可重现集成。