超球面上的小方差非参数聚类
计算机视觉与模式识别
2016-11-15 v1 统计理论
应用统计
统计理论
摘要
人造环境中的结构规律性反映在其表面法线的分布中。描述这些表面法线分布在许多计算机视觉应用中十分重要，例如场景理解、平面分割以及3D重建的正则化。基于贝叶斯非参数von-Mises-Fisher (vMF)混合分布的小方差极限，我们提出了两种新的灵活且高效的类k-means聚类算法，用于处理诸如表面法线之类的方向数据。第一种，DP-vMF-means，是从狄利克雷过程(Dirichlet process, DP) vMF混合推导出的批量聚类算法。认识到许多应用中数据采集的序列性质，我们将该算法扩展为DDP-vMF-means，可从流数据中推断随时间演化的聚类结构。两种算法自然尊重方向数据的几何特性，即其位于单位球面上。我们在合成方向数据以及来自RGB-D传感器的真实3D表面法线上展示了它们的性能。虽然我们的实验聚焦于3D数据，但两种算法均可推广到高维方向数据，如蛋白质骨架构型与语义词向量。
引用
@article{arxiv.1607.06407,
title = {Small-Variance Nonparametric Clustering on the Hypersphere},
author = {Julian Straub and Trevor Campbell and Jonathan P. How and John W. Fisher},
journal= {arXiv preprint arXiv:1607.06407},
year = {2016}
}