其他分享
首页 > 其他分享> > 面向多视角物品分类的顶点加权超图学习

面向多视角物品分类的顶点加权超图学习

作者:互联网

摘要:

基于多视角物品的分类问题-存在问题1:3D物品之间的关系很难描述 2.每种类别数据不均衡

解决方法:提出一种顶点权重的超图学习算法的多视角3D物品分类算法,用超图描述不同多视角3D物品之间的高阶关系,训练有权重的节点超图,对物品进行分类。

1. 引言

多视角3D物品:包含每个物品从不同角度拍的照片

类别物品数量不均衡.

用超图描述3D物品之间的高阶关系(解决问题1),用顶点权重表示每个节点在学习过程中的重要性(解决问题2)

超图应用:图片检索,目标分割和分类

2. 相关工作

没看懂。。。

3.提出方法

提取每张图片特征,计算图片之间的距离,构建图片超图,基于每个类中的训练样本分布得到顶点权重。最后,在超图预测每个3D图片的类别和超边权重、

3.1 视角特征提取和成对物品距离计算

数据库中有n个3D物品,每个物品有ni个视角

 视角图片特征:两种-Zernike moment 、 histogram of oriented gradient (HOG)

物品距离计算:Hausdorff distance(计算两个点集的距离:)求max(A所有点到B所有点的距离的最大最小值,B所有点到A所有点的距离的最大最小值)

 3.2 超图构建

G=(V,ε,W):

节点:训练集和测试集中的nt个3D物品

超边:每次选择nt个物品中的一个物品作为中心,用KNN选择最近特征的K个物品构建超边,对两种特征都构建超边,得到2(nt+1)条超边。

权重:每条超边的权重

关联矩阵:

顶点加权矩阵:目的:解决分类样本不均衡的问题

                        做法:以往工作都是视节点权重相等为1,本文使用U作为顶点的加权矩阵,

节点的度:->节点度矩阵Dv

超边的度: ->超边度矩阵De

U计算方式:在某一个类i中计算节点ia离其他节点的平均距离(根据两个指标计算),并归一化后得到该节点的权重。

                

                 

 给距离其他节点远的能传递多种信息的样本加权较高,区分度不大的加权较低。

3.3 顶点加权超图学习

学习目标:相关矩阵F-每个物品类别相关矩阵(类似于one-hot矩阵),通过考虑①超图结构正则器和②经验损失函数以③超边权重进行组合优化学习相关矩阵。

总损失函数:

其中包含三部分: 

超图结构正则器:

 = F△F^T ,其中△表示顶点加权后的超图拉普拉斯: (可以类比简单图的谱聚类,即最小化Ncut),F:|V|*k的相关矩阵,其中每行是3D样本的分类one-hot向量

经验损失:

根据one-hot向量求解结果的损失函数:

 其中Ncate表示类别数量。Y是真实样本的one-hot向量,表示对每个类别向量进行对比

超图权重:为了学习到超图的权重,添加一个超图 权重层:tr(W^T*W)

 求解①式:先固定W求解argminF,再根据二次规划求解argminW

根据F的行最大值可以得到测试数据的种类

4 实验

数据:NTU、PSB(包含1814个3D物体 nall,共属于161个种类ncate),每个物体有60张角度照片

实验设置:取10%-80%样本作为训练数据,剩下的作为测试数据

基线设置:

        MMD CDLPLS        

        2007年提出的超图方法:Traditional hypergraph learning (HL)

       前人提出的有超边权重更新: Hypergraph learning with hyperedge weight update(HL-E)

       提出的方法但没有超边权重更新: Vertex-weighted hypergraph learning (V -HL)

        提出的方法:Vertex-weighted hypergraph learning with hyperedge weight update (V -HL-E)

参数设置:选定节点超边生成邻居个数为k=10,正则化参数λ=10,μ=1,取其中的子集进行实验

部分实验结果:

 

 实验分析:

①HL和V-HL对比来看:提出的考虑节点权重的超图方法优于其他基线方法

②V-HL-E和HL-E对比来看:考虑超边权重更新可以提高分类效率

优势:超图可以挖掘3D物品的关系,基于节点权重可以对节点进行加权,避免类别不平衡

缺点:没有考虑到数据规模很大的时候超图相关学习和超边权重学习过程中计算量过大

未来改进:①在进行超图学习前进行下采样②探索层级的超图学习,每层会有更少的数据③应用可以更广泛,不止3D物品分类

超边生成(实验参数实验):

K,λ,μ:

 

 

 从两个数据集中可以看出来,参数设置不能过大也不能过小,比如K过小时无法获取3D物品之间关系,过大会使得超图超边没有区别性

和深度学习方法对比:

MVCNN(3D形状识别方法)

 结论:性能提升不高,因为深度学习方法已经实现了较好的性能

5 结论和未来工作

本文实现了一个3多视角3d物品的基于顶点权重的超边学习方法,挖掘物体之间的复杂关系以及利用顶点权重对类别进行平衡。实验对方法进行对比以及实验参数实验和深度学习方法进行对比,最后表明方法的有效性。

     

标签:视角,权重,超图,超边,物品,顶点,节点,3D
来源: https://blog.csdn.net/qq_42217335/article/details/120557218