Local-HDP: Interactive open-ended 3D object category recognition in real-time robotic scenarios
Abstract
提出一种开放式的无参数层级贝叶斯方法用于3D目标分类(Local-HDP),该方法能够增量地学习每个物体对应的独立的话题,同时能够适应环境。
Motivation:在LDA-based的方法中,话题的数量需要人工手动的设置,固定的话题数容易造成模型过拟合,在Local-HDP中能够自动的对每个物体的话题数进行调整。
Framework:
Method
Pre-processing layers
预处理部分包含了将点云转为体素形式,之后转化为spin-image,通过spin-image得到BoWs层需要的视觉单词。
Local hierarchical Dirichlet process
C表示C类物体,|c|表示类物体包含多少个具体的实例对象, W j , n W_j,n Wj,n 表示第j个实例对象中的第n个视觉单词。
Local online variational inference
得到物体对于topic以及word的最优概率分布G,通过动态规划分两阶段实现,首先通过概率分布的熵得到 G 0 G_0 G0通过 G 0 G_0 G0得到最终的概率分布 G j G_j Gj,以实现自动选择topic的数量。
c表示每个列别的向量,Φ表示话题的分布,z表示视觉单词对应的话题索引。
C类物体的第j个目标的变化下界表达式:
伪代码:
Experiment