論文の概要: GPU-Accelerated Computation of Persistent Homology for Topological Analysis of Image Data
- arxiv url: http://arxiv.org/abs/2610.10959v1
- Date: Wed, 07 Oct 2026 22:24:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.689549
- Title: GPU-Accelerated Computation of Persistent Homology for Topological Analysis of Image Data
- Title（参考訳）: 画像データのトポロジ解析のためのGPUによる永続ホモロジー計算
- Abstract要約: TopoGPUはGPUストリーミングパイプラインで、2Dおよび3D画像によって誘導される立方体複合体の永続化図を計算する。
TopoGPUはオープンソースで、ビルド済みのバイナリ、Google Colabノートブック、DockerイメージがプロジェクトのGitHubページで公開されている。
- 参考スコア（独自算出の注目度）: 9.62936031948494
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, persistent homology has seen rapid adoption in deep learning, yet its computation remains a major bottleneck in network training. This paper introduces TopoGPU, a GPU streaming pipeline that computes persistence diagrams of cubical complexes induced by 2D and 3D images. TopoGPU streams the input image chunk by chunk, processing each chunk with massively parallel GPU kernels on a grid of GPU blocks; the resulting boundary relations are accumulated in host memory, where the CPU performs the boundary matrix reduction. TopoGPU introduces a stratification-aware discrete Morse matching that provably preserves persistent homology under streaming, together with a parallel topological sorting algorithm and a parallel V-path parity algorithm for deriving Morse boundaries on the GPU. TopoGPU outperforms Cubical Ripser, a state-of-the-art method for persistent homology computation, on every benchmark evaluated, achieving an average end-to-end speedup of 53.24x and a maximum of 198.01x. We further integrate TopoGPU into a topology-preserving deep network, demonstrating that it substantially reduces the cost of persistent homology computation during network training. TopoGPU is open source, with pre-built binaries, Google Colab notebooks, and Docker images available at the project's GitHub page: https://github.com/seravee08/GPU-Computation-of-Persistent-Homology-for-Image-Data.
- Abstract（参考訳）: 近年、永続的ホモロジーはディープラーニングに急速に採用されているが、その計算はネットワークトレーニングにおいて大きなボトルネックとなっている。
本稿では,2次元および3次元画像によって誘導される立方体複合体の永続化図を計算するGPUストリーミングパイプラインであるTopoGPUを紹介する。
TopoGPUは入力イメージチャンクをチャンク単位でストリームし、各チャンクをGPUブロックのグリッド上に巨大な並列GPUカーネルで処理する。
TopoGPUは、ストリーミング下の永続的ホモロジーを確実に保存する階層化対応の離散モースマッチングと、GPU上のモース境界を導出するための並列位相ソートアルゴリズムと並列Vパスパリティアルゴリズムを導入している。
TopoGPUは、評価されたすべてのベンチマークにおいて、永続ホモロジー計算のための最先端の手法であるキュービカル・リプサーを上回り、平均的なエンドツーエンドのスピードアップ 53.24x と最大 198.01x を達成する。
さらに,トポロジ保存型深層ネットワークにTopoGPUを組み込むことにより,ネットワークトレーニングの持続的ホモロジー計算のコストを大幅に削減できることを示す。
TopoGPUはオープンソースで、ビルド済みバイナリ、Google Colabノートブック、DockerイメージがプロジェクトのGitHubページで公開されている。
関連論文リスト
- GPU-Initiated Discrete Simulated Bifurcation: Low-Latency Requests and Streaming Dense Couplings [0.13537117504260623]
GPUベースの最適化では,頻繁な要求の調整と,デバイスメモリを越える高密度モデルの提供という,2つの通信ボトルネックに直面している。
本稿では,NVIDIA DOCA GPUNetIOによる個別のシミュレーション分岐アーキテクチャを提案する。
論文 参考訳（メタデータ） (2026-10-05T16:20:06Z) - GRAB-ANNS: High-Throughput Indexing and Hybrid Search via GPU-Native Bucketing [39.763467046232584]
動的ハイブリッド検索のためのGPUネイティブグラフインデックスであるGRAB-ANNSを提案する。
GRAB-ANNSは最新のCPUベースシステムよりも最大240.1倍高いクエリスループットと12.6倍高速なインデックス構築を実現する。
論文 参考訳（メタデータ） (2026-03-31T11:00:10Z) - GPU-Accelerated Algorithms for Graph Vector Search: Taxonomy, Empirical Study, and Research Directions [54.570944939061555]
本稿では,GPU加速グラフに基づくベクトル探索アルゴリズムについて包括的に研究する。
我々は、GPU最適化戦略の詳細な分類を確立し、アルゴリズムタスクとハードウェア実行ユニット間のマッピングを明確にする。
我々の発見は、スケーラブルで堅牢なGPUベースの近接検索システムを設計するための明確なガイドラインを提供する。
論文 参考訳（メタデータ） (2026-02-10T16:18:04Z) - Scalable GPU-Accelerated Euler Characteristic Curves: Optimization and Differentiable Learning for PyTorch [0.0]
我々は,Euler Characteristics Curve(ECC)向けに最適化されたGPUカーネルを提案し,合成グリッド上でのGPU実装よりも16-2000"Oの高速化を実現した。
エンドツーエンドの学習を可能にする差別化可能なPyTorch層を導入する。
論文 参考訳（メタデータ） (2025-10-23T06:59:07Z) - A Parallel CPU-GPU Framework for Cost-Bounded DFS with Applications to IDA* and BTS [13.186524200050957]
本稿では,深度第一探索におけるGPU計算手法を提案する。
これは、Iterative Deepening A* (IDA*)アルゴリズムの拡張であるemphsynchronous IDA*のようなアルゴリズムを作成するために使用される。
本研究では, 3x3 の Rubik Cube と 4x4 のスライディングタイルパズル (STP) に対するアプローチを評価し,GPU 操作を DFS で効率的にバッチ化可能であることを示す。
論文 参考訳（メタデータ） (2025-07-16T05:07:33Z) - Minute-Long Videos with Dual Parallelisms [57.22737565366549]
Diffusion Transformer (DiT)ベースのビデオ拡散モデルは、大規模に高品質なビデオを生成するが、長いビデオの処理遅延とメモリコストは禁じられている。
我々はDualParalと呼ばれる新しい分散推論戦略を提案する。
1つのGPUでビデオ全体を生成する代わりに、時間フレームとモデルレイヤの両方をGPU間で並列化します。
論文 参考訳（メタデータ） (2025-05-27T11:55:22Z) - Adaptive Elastic Training for Sparse Deep Learning on Heterogeneous
Multi-GPU Servers [65.60007071024629]
本稿では,Adaptive SGDが4つの最先端ソリューションよりも精度が高いことを示す。
本稿では,Adaptive SGDが時間と精度で4つの最先端ソリューションより優れていることを示す。
論文 参考訳（メタデータ） (2021-10-13T20:58:15Z) - VersaGNN: a Versatile accelerator for Graph neural networks [81.1667080640009]
我々は,超効率的なサイストリックアレイベースの多用途ハードウェアアクセラレータである textitVersaGNN を提案する。
textitVersaGNNは平均3712$times$ speedup with 1301.25$times$ energy reduction on CPU、35.4$times$ speedup with 17.66$times$ energy reduction on GPUを達成している。
論文 参考訳（メタデータ） (2021-05-04T04:10:48Z) - Heterogeneous CPU+GPU Stochastic Gradient Descent Algorithms [1.3249453757295084]
ヘテロジニアスCPU+GPUアーキテクチャの深層学習のためのトレーニングアルゴリズムについて検討する。
私たちの2倍の目標 -- 収束率と資源利用を同時に最大化する -- は、この問題を難しくします。
これらのアルゴリズムの実装は,複数の実データセットよりも高速な収束と資源利用の両立を実現していることを示す。
論文 参考訳（メタデータ） (2020-04-19T05:21:20Z) - Efficient Video Semantic Segmentation with Labels Propagation and
Refinement [138.55845680523908]
本稿では,ハイブリッドGPU/CPUを用いた高精細ビデオのリアルタイムセマンティックセマンティックセマンティック化の問題に取り組む。
i) CPU上では、非常に高速な光フロー法であり、ビデオの時間的側面を利用して、あるフレームから次のフレームへ意味情報を伝達するために使用される。
高解像度フレーム(2048 x 1024)を持つ一般的なCityscapesデータセットでは、単一のGPUとCPU上で80から1000Hzの動作ポイントが提案されている。
論文 参考訳（メタデータ） (2019-12-26T11:45:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。