Local-HDP: Interactive open-ended 3D object category recognition in real-time robotic scenarios

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，$W_j,n$ 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$G_0$通过$G_0$得到最终的概率分布$G_j$，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