基于期望首达时间的形状距离学习算法

由于逐对形状匹配不能很好地反映形状间相似度,因此需要引入后期处理步骤提升检索精度.为了得到上下文敏感的形状相似度,本文提出了一种基于期望首达时间(Mean first-passage time,MFPT)的形状距离学习方法.在利用标准形状匹配方法得到距离矩阵的基础上,建立离散时间马尔可夫链对形状流形结构进行分析.将形状样本视作状态,利用不同状态之间完成一次状态转移的平均时间步长,即期望首达时间,表示形状间的距离.期望首达时间能够结合测地距离发掘空间流形结构,并可以通过线性方程进行有效求解.分别对不同数据进行实验分析,本文所提出的方法在相同条件下能够达到更高的形状检索精度.

一种基于广义期望首达时间的形状距离学习算法

形状距离学习是形状匹配框架中引入的后处理步骤,能够有效改善逐对计算得到的形状间距离.利用期望首达时间分析形状间相似度可能导致距离更新不准确,针对这一问题提出了一种基于广义期望首达时间(Generalized mean firstpassage time,GMFPT)的形状距离学习方法.将形状样本集合视作状态空间,广义期望首达时间表示质点由一个状态转移至指定状态集合所需的平均时间步长,本文将其视作更新后的形状间距离.通过引入广义期望首达时间,形状距离学习方法能够有效地分析上下文相关的形状相似度,显式地挖掘样本空间流形中的最短路径,并消除冗余上下文形状信息的影响.将所提出的方法应用到不同形状数据集中进行仿真实验,本文方法比其他方法能够得到更准确的形状检索结果.