Topology-Preserving Data Augmentation for Ring-Type Polygon Annotations

Resumo Técnico: Aumento de Dados Preservando Topologia para Anotações de Polígonos em Anel

1. O Problema

Em tarefas de segmentação de imagens, especialmente em domínios estruturados como análise de plantas baixas arquitetônicas, as regiões de interesse (como corredores, pátios ou espaços com vazios internos) são frequentemente representadas por polígonos em anel (ring-type regions). Diferente das regiões simplesmente conectadas, esses anéis possuem um limite externo e um ou mais limites internos (buracos), que em muitos formatos de anotação (como em datasets arquitetônicos específicos) são codificados como uma única cadeia poligonal cíclica.

O problema central identificado pelos autores é que as pipelines de aumento de dados geométrico (rotação, escala, corte/crop, translação) convencionais falham em preservar a topologia dessas estruturas:

• Quebra de Conectividade: Quando operações de corte (clipping) ou rotação removem vértices intermediários da cadeia poligonal, a conexão cíclica entre o limite externo e o interno é perdida.
• Perda de Semântica: O polígono, que deveria representar um único anel contínuo, fragmenta-se em múltiplos polígonos desconexos (um para o exterior e outro para o interior), destruindo a relação estrutural "ponte" (bridge edge) que define a topologia do anel.
• Dificuldade de Detecção: Visualmente, a máscara aumentada pode parecer correta, mas a anotação vetorial subjacente torna-se topologicamente inconsistente, prejudicando o treinamento de modelos e a reconstrução geométrica.

2. Metodologia Proposta

Os autores introduzem uma estratégia de reparo de conectividade preservando a ordem (order-preserving connectivity repair). A abordagem não manipula diretamente as coordenadas dos vértices de forma isolada, mas sim opera em um fluxo de quatro etapas:

1. Rasterização: O polígono original $P$ é convertido em uma máscara binária $M$.
2. Aumento no Espaço de Máscara: As transformações geométricas (rotação, escala, etc.) são aplicadas à máscara $M$, gerando $M'$. Isso evita a perda de conectividade durante a transformação direta de vértices.
3. Projeção de Vértices no Espaço de Índices: Os vértices originais são projetados de volta sobre o contorno da nova máscara $M'$. Os vértices que caem fora dos limites da imagem ou da região válida são descartados, gerando um conjunto de índices de vértices sobreviventes $J$.
4. Reparação de Conectividade Cíclica: Esta é a etapa inovadora. O algoritmo verifica a consistência dos sucessores entre os índices sobreviventes.
   • Se houver um "gap" na sequência de índices (indicando que vértices intermediários foram removidos), o método reconecta os vértices sobreviventes adjacentes no espaço de índices, forçando a criação de uma nova aresta direcionada.
   • Isso restaura a cadeia cíclica única, mantendo a ordem de travessia original e a relação entre o limite externo e o interno, sem necessidade de re-extrair contornos densos da imagem.

Algoritmo Chave: O método garante que, para qualquer par de índices sobreviventes consecutivos $(k_t, k_{t+1})$, a relação de sucessor seja mantida ou reparada, assegurando que o polígono resultante $\hat{P}$ seja uma única cadeia fechada.

3. Principais Contribuições

• Identificação de uma Falha Específica: O trabalho destaca um problema negligenciado em pipelines de aumento de dados: a quebra de topologia em anotações de polígonos em anel codificados como uma única cadeia cíclica.
• Métrica de Avaliação (CAP): Introdução da métrica Cyclic Adjacency Preservation (CAP) (Preservação de Adjacência Cíclica). Diferente do mIoU (que mede sobreposição espacial), o CAP mede a integridade estrutural da conectividade dos vértices, variando de 0 a 1.
• Mecanismo de Reparo Leve: Desenvolvimento de um módulo de reparo computacionalmente eficiente ($O(m)$) que pode ser integrado a bibliotecas existentes (como Albumentations) sem sobrecarga significativa.
• Validação Empírica: Demonstração de que a preservação da topologia em nível de anotação melhora diretamente o desempenho de modelos de segmentação.

4. Resultados Experimentais

Os experimentos foram realizados em um dataset de plantas baixas coreanas com anotações poligonais, comparando a abordagem proposta com pipelines padrão (YOLOv11 e Roboflow).

• Preservação de Topologia (CAP):
  • Pipelines padrão (YOLO e Roboflow) apresentaram CAP baixo (0.32 a 0.55), indicando frequente fragmentação dos anéis.
  • O método proposto alcançou um CAP de 0.9758 (aproximadamente 97.6%), demonstrando uma preservação quase perfeita da estrutura cíclica sob várias transformações (rotação, corte, escala, flip e combinações).
• Impacto no Desempenho de Segmentação:
  • Modelos treinados com dados aumentados preservando a topologia superaram os modelos com aumento padrão.
  • YOLOv11-Seg: Aumento de 88.4% para 90.8% de mIoU.
  • Mask R-CNN: Aumento de 85.2% para 87.0% de mIoU.
• Qualidade Visual: Enquanto métodos convencionais tendiam a criar polígonos fragmentados ou com excesso de vértices densos (devido à re-extração de contornos), o método proposto manteve a estrutura esparso e correta do anel.

5. Significância e Conclusão

Este trabalho demonstra que a consistência geométrica não é apenas uma questão de precisão de coordenadas, mas de integridade estrutural. Em domínios onde a topologia define a semântica (como plantas baixas onde um "buraco" é uma sala e o "anel" é a parede), a perda de conectividade durante o aumento de dados introduz ruído estrutural que os modelos aprendem incorretamente.

A solução proposta oferece um mecanismo leve e compatível com fluxos de trabalho existentes para garantir que as anotações aumentadas mantenham a mesma topologia que os dados originais. Isso é crucial não apenas para arquiteturas de visão computacional, mas para qualquer tarefa de reconstrução geométrica ou análise espacial baseada em polígonos. O código do método está disponível publicamente como o pacote Python polyaug.