The Pyramid Match Kernel 金字塔匹配核函数：图像特征集的分类.pptxVIP

The Pyramid Match Kernel:Discriminative Classification with Sets of Image Features金字塔匹配核函数：图像特征集的分类Kristen Grauman and Trevor Darrell特征匹配一个特征向量的集合表示一个特定的实例（物体，场景，形状等），随着视角的变化，特征的数目也会不断变化，解决这种情况下的特征匹配问题。此方法提出一种核函数，用于解决无序并且有不同数目的特征集之间的分类。局部最优匹配局部最优匹配把低维特征集与高维特征集的子集进行匹配，使得整体的相似度最高总体介绍每个特征集映射到多分辨率的直方图，在最好层次直方图上最大限度地保持个体特征之间的区别。(Each feature set is mapped to a multi-resolution histogram that preserves the individual features’ distinctness at the finest level.)使用加权的直方图交叉计算来比较上面产生的直方图金字塔（The histogram pyramidsare then compared using a weighted histogram intersection computation）方法详解?输入空间X，由d-维的特征向量集组成； 特征向量直径范围为D； 向量最小的矢量距离为；特征抽取函数? ，直方图宽度（分辨率）为 ,是直方图的维数： （以 为基本单位） 就是一个金字塔形状直方图的集合。后一个直方图的间距是前一个的两倍，直到生成L个直方图，每个直方图相当于一层。i 代表由数据集构成的第i 个直方图，金字塔的第i 层。?底层直方图 足够小，每个数据集X中的点都落在独立的块中。然后直方图宽度增大直到最后一个所有的数据点都在一个直方图块中。?两组输入数据的特征的相似度定义为在每层上新匹配的特征数量的加权和： y 和z 分别代表不同的数据集。 代表两层之间新匹配的数目。“新匹配”就是在小宽度(bin size)的直方图上未匹配，而在大一倍宽度直方图则匹配。?两组输入数据的特征的相似度定义为在每层上新匹配的特征数量的加权和： 为直方图交集函数，衡量两个直方图条之间的重叠程度。A和B分别为有r 维的直方图，为A中的的第 j 维。图中两组 1维特征集 y和z。(a)中，浅色虚线是直方图边界；加粗的实线代表较低层直方图已经匹配的点对；加粗点线代表此层的直方图中新匹配的点对?两组输入数据的特征的相似度定义为在每层上新匹配的特征数量的加权和：代表每一层上的权重，与两点在该层上匹配的程度成正比，由直方图宽度决定。在第 i 个直方图上的= 。直方图宽度越宽匹配权重越小。上式 i从0开始，因为i =- 1时，没有点匹配。最终的计算相似度公式：归一化处理 使用每一个输入数据集自身之间的相似度来计算最终的结果进行函数的归一化，以特征自身的相似度为1 计算。叠加多个金字塔匹配 针对不同的多分辨率直方图进行比较计算，这些直方图的宽度值可以随意改变的。通过改变宽度值，得到多个(T个)Pyramid Match Kernel，进行组合得到最终比较结果。这就产生了T个特征配对：对于输入y和z，结合之后产生的内核值是局部匹配 可以适用于特征集数目不等情况下的匹配，小特征集中的点与大特征集中点的子集进行匹配。满足 Mercer’s条件，适合SVM使用。 Mercer’s定理：每个半正定对称函数是个核函数核函数将m维高维空间的/view/22008.htm内积运算转化为n维低维输入空间的运算。 K 是半正定的当且仅当时间复杂度时间复杂度对特征向量数量m成线性关系,相对于当前大部分算法二次甚至三次关系,其计算速度极快 C 捕获同现P 正定M 不假设参数模型U支持数量不等的数据集实验结果与局部匹配比较实验： 两个数据集各有100个点集，一个数据集中的每个点集都有100个点，另一个数据集中的每个点集有随机数目的点（5—100）结论：金字塔匹配核在数目不等的特征集之间的匹配效果近似于最优局部匹配方法。左边是特征集元素数目相等的情况右边是特征集元素数目相等的情况上图三种方法比较，10000 pairwise set-to-set comparisons目标识别实验： 使用ETH-80 数据库。 8个物体集，每个物体集有10个物体，每个物体5张图片。一共400张图片。 Harris方法找兴趣点，SIFT等方法找特征集。结果: 其他方法每幅图片用40个特征，达到74%识别率；用120个特征点，达到85%识别率。 本方法每幅图片用40个特征，达到73%识别率；用153个特征点，达到83%识