160 likes | 386 Views
Combined Central and Subspace Clustering for Computer Vision Application. Le Lu, Rene Vidal John Hopkins University ( 担当:猪口 ). Introduction. Central Clustering クラスタの中心の周辺にデータが分布 Application Image segmentation, K-means , EM Subspace Clustering 部分空間にデータが分布 Application
E N D
Combined Central and Subspace Clustering for Computer Vision Application Le Lu, Rene Vidal John Hopkins University (担当:猪口)
Introduction • Central Clustering • クラスタの中心の周辺にデータが分布 • Application • Image segmentation, • K-means,EM • Subspace Clustering • 部分空間にデータが分布 • Application • Motion segmentation, face clustering with varying illumination, temporal video segmentation • K-subspace, Generalized PCA
GPCA→K-means YZ平面に分布 K-meansがB1の点を A1とラベル付け GPCAはY軸上の点を, YZ平面に,射影 XY平面に分布
K-means YZ平面に分布 XY平面に分布 K-meansは異なる部分空間の 近接なクラスタを分離できない
問題定義 • データ • 部分空間 • クラスターの中心 • 基準基底 • 問題
Central Clustering K-means クラスターの中心を決める クラスターの中心からの距離に応じて,各データを各クラスターに割り当てる. データからクラスタの中心を決める. Subspace Clustering , K-subspace Subspaceを決める Subspaceからの距離に応じて,各データを各クラスタに割り当てる. データからSubspaceを再計算. Subspaceを超平面と仮定
クラスター中心は平面上の点 データxiは1つのクラスターに属する. ラグランジュの未定乗数法
Algorithm GPCA
Computing the membership • Computing the cluster centers • を で偏微分して, を掛けると が使えて • Computing the normal vectors • 上と同様
ノイズの超平面からの距離の分散 クラス分散
Experiments(Simulated Data) • 3次元上のデータ,600点 • Subspaceは2つ,それぞれ3クラスター • 各クラスターは100点(正規分布, σμ=1.5) • Subspaceは20°~90° • 各スペースの3つのクラスタの中心距離は2.5σμ~ 5σμ • σbのNoise • 100回,試行
Experiments(Simulated Data) • KM K-mean →6つのクラスタを 2つの平面に分ける • MP MPPC (Mixture of probabilistic PCA )→ 6つのクラスタを 2つの平面に分ける • KK K-subspace→それぞれのSubspaceでK-means • GK GPCA→それぞれのSubspaceでK-means • JC 提案手法 KK KM KK MP KM GK GK MP JC JC
Experiments (Illumination) • 4 subjects (10 subjectのうち) • 4 poses ×64 illuminations • 240 ×320 pixels
GPCA+K-means • Subject5とSubject6の交わりをSubject5にクラスタリング
Experiments(Video) • Video sequence → several video shots • Each video contains 4 shots