计算机视觉【演讲】预案.pptVIP

Dense Non-Rigid Point-Matching Using Random Projections;引论; 对于那些致密的点集通过非刚性的空间变化进行点匹配的问题，他们提出了一个健壮而高效的技术。他们的研究目标就是能够使得点集进行高置信度匹配，从而引导其他的工作研究。他们根据先前的空间的子空间学习，利用高置信度的匹配，提出了一个新的算法，来区分子空间的特征相似性及相应的空间排列。以前的子空间学习方法通常需要进行特征分解（或叫谱分解），对通过点集的成对的距离矩阵进行分析，这些方法对于中等规模的问题就变得低效了。为此，他们提出了利用随机预测的方法来进行近似??子空间学习，这可以在最小的精度损失的成本提供显著的时间改进。他们在点集中，迭代的寻找和去除高置信度的匹配，从而得到了较高的查全率。为了显示他们方法的有效性，他们对致密的非刚性图像特征匹配的问题进行了系???的实验，从而得到了相应的结果与结论。 ;Point-Matching（点匹配）;;简要介绍;Subspace Learning（子空间学习）;;上式的等价表示：利用拉普拉斯算子问题知识;Algorithm 1（别人的算法）;Subspace Learning with Spatial Priors;Random Projections（随机映射）;实验及结果;噪声分析;非刚性变形分析;未来的工作;题外：非刚性匹配的研