基于 Kendall 形状空间中带采样的期望最大化算法的多组形状分析分层图模型
计算机视觉与模式识别
2013-01-11 v2
摘要
本文提出了一种新颖的多组形状分析框架，该框架依赖于种群内形状的分层图统计模型。该框架遵循 Kendall 形状空间中的概念，将单个形状表示为平移、旋转和尺度模去后的点集。虽然单个形状源自其组形状模型，但每个组形状模型均源自单一的总体形状模型。该分层模型遵循种群数据的自然组织结构，其层级顶层为多组形状分析（例如分类和假设检验）提供了共同的参考框架。与典型的形状建模方法不同，所提出的模型是一种生成模型，定义了对象边界数据与形状模型变量的联合分布。此外，它在模型拟合过程中自然地强制最优对应关系，从而涵盖了所谓的对应问题。所提出的推断方案采用期望最大化 (EM) 算法，将单个和组形状变量视为隐藏随机变量，并在估计参数（总体均值和方差以及组方差）之前将其积分消除。该 EM 算法的基础是在 Kendall 形状空间中从其后验分布对点集进行采样，为此我们利用了一种基于哈密顿蒙特卡洛模拟的高效方案。本文中的实验使用拟合后的分层模型执行：(1) 使用置换检验进行组间比较的假设检验，以及 (2) 用于图像检索的分类。本文在模拟数据上验证了所提出的框架，并展示了真实数据上的结果。
引用
@article{arxiv.1212.5720,
title = {Hierarchical Graphical Models for Multigroup Shape Analysis using Expectation Maximization with Sampling in Kendall's Shape Space},
author = {Yen-Yun Yu and P. Thomas Fletcher and Suyash P. Awate},
journal= {arXiv preprint arXiv:1212.5720},
year = {2013}
}
备注
9 pages, 7 figures, International Conference on Machine Learning 2013