ThePyramidMatchKernel金字塔匹配核函数：图像特征集的分类详解.pptxVIP

ThePyramidMatchKernel:DiscriminativeClassificationwithSetsofImageFeatures金字塔匹配核函数：图像特征集的分类KristenGraumanandTrevorDarrell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。(Eachfeaturesetismappedtoamulti-resolutionhistogramthatpreservestheindividualfeatures’distinctnessatthefinestlevel.)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（Thehistogrampyramidsarethencomparedusingaweightedhistogramintersectioncomputation）方法详解图中两组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)PyramidMatchKernel，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P正定C捕获同现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，10000pairwiseset-to-setcomparisons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%识别率。不关注多余的特征，具有良好的鲁棒性这个方法最大优点解决无序、变数量的向量集之间的分类，且耗费时间大大降低。