三维点云学习(3)4-Expectation-Maximization (EM)
EM算法的概述
EM算法中的M-step不断优化Q函数
使用两种方法推导出GMM
1.最大似然法
2.EM算法
K-Means GMM EM 关系
K-Means是特殊的GMM
K-Measn的方差接近·为0
EM是通用的优化方法
GMM是基于线性高斯模型的EM算法
K-Means 与 GMM比较
缺点:
1.个个方向的方差一样,认为各个类都是一个圆或者球
2.需要提供K
3.对噪声比较敏感,可以使用k中值进行缓解
缺点:
1.不知道k
2.空间上是椭圆
3.MLE建模GMM ,会出现奇点问题
图示比较
通过比较,可以很直观的看出,在处理椭圆类型分布的点云时,GMM更为有优势,K-Means在处理点云分布大致为圆形时,效果会好