混合概率主测地线分析
机器学习
2019-09-06 v2 计算机视觉与模式识别
机器学习
摘要
黎曼流形上的维度归约因复杂的非线性数据结构而具挑战性。尽管概率主测地线分析（PPGA）已被提出以将传统主成分分析（PCA）推广到流形上，其有效性局限于单模态数据。本文提出一种新颖的高斯潜变量模型，以独特方式将多个PGA模型整合进极大似然框架。这导出了子群体上定义良好的混合概率主测地线分析（MPPGA）模型，其中主子空间参数通过期望最大化算法自动估计。我们进一步开发了混合贝叶斯PGA（MBPGA）模型，通过抑制无关主测地线自动降低数据维度。我们利用合成球面数据、真实胼胝体以及来自人脑磁共振（MR）与CT图像的下颌骨数据，在聚类和统计形状分析背景下展示了我们模型的优势。
引用
@article{arxiv.1909.01412,
title = {Mixture Probabilistic Principal Geodesic Analysis},
author = {Youshan Zhang and Jiarui Xing and Miaomiao Zhang},
journal= {arXiv preprint arXiv:1909.01412},
year = {2019}
}
备注
Seventh MICCAI Workshop on Mathematical Foundations of Computational Anatomy