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 first-passage 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。
形状匹配、形状距离学习、离散时间马尔科夫链、期望首达时间、广义期望首达时间
TP3;O17
国家自然科学基金61374154;中央高校基本科研业务费专项资金DUT14RC3128资助@@@@Supported by National Natural Science Foundation of China61374154;Fundamental Research Funds for the Central Universities DUT14RC3128
2016-04-01（万方平台首次上网日期，不代表论文的发表时间）
共9页
246-254
