基于期望最大化的多模型三维配准的理论分析
本篇文章提出了基于最大期望算法的多视角点集注册方法,通过利用高斯混合模型描述点云数据分布并定义最大似然估计函数,实现了高精度、高鲁棒性、高效率的点云多视角重建。
Feb, 2020
我们研究了 3D 注册问题的一个变种,名为多模型 3D 注册。在多模型注册问题中,我们给出两个描绘了不同姿态下一组物体(可能包括属于背景的点)的点云,并且我们希望同时重建出这两个点云之间所有物体的运动。该方法通用于标准的 3D 注册,其中需要重建出单个姿态,例如传感器描绘静态场景的运动。此外,它为相关的机器人应用提供了数学上的基础,例如,机器人上的深度传感器感知动态场景,并且目标是在同时恢复出自身的运动(从静态部分场景中)以及所有动态物体的运动。我们假设一个基于对应关系的设置,在两个点云之间存在着匹配关系,同时考虑了这些对应关系受到异常值干扰的实际情况。然后,我们提出了一种基于期望最大化(Expectation-Maximization)的简单方法,并建立了 EM 方法收敛到真实结果的理论条件。我们在从桌面场景到自动驾驶场景的模拟和实际数据集上评估了该方法,并证明其与最先进的场景流方法相结合时的有效性。
Feb, 2024
该论文通过概率点匹配处理刚性和关节形状匹配问题,引入了一种新型 EM-like 算法 ECMPR,使用混合模型来处理未知的对应关系,提出了一种鲁棒性强的点匹配方法,包括旋转和平移参数的估计以及异常值的检测和剔除。
Dec, 2020
本文提供了一个关于期望最大化 (EM) 算法应用于高维潜变量模型推断的一般理论。作者提出了一个新的高维 EM 算法,自然地融入了稀疏结构到参数估计中。基于估计值,作者提出了新的推论程序来测试假设并构建置信区间。这个算法针对广泛的统计模型,提供了高维最先进的估计和渐近推断的第一个可计算的方法。
Dec, 2014
本研究提出一个基于量子算法的 EM 算法版本,用于解决高维 Gaussian 混合模型拟合问题,相较于传统算法有更快的收敛速度和更高的精度,并且能够推广到指数族分布,提供同样的计算保障。
Aug, 2019
研究基于极大似然原理的迭代算法 —— 期望最大化算法(EM)在统计模型中的参数估计,发现其仅能保证收敛于似然函数的极值点而非最大值点,尤其针对包含两个高斯分布混合的模型进行具体分析,最终建立了 EM 算法的统计一致性。
Aug, 2016
本文介绍了用期望最大化 (EM) 算法估计两个线性回归混合模型系数的收敛性,根据实验结果,我们发现算法需要在无限圆锥内开始初始化。同时发现,如果初始猜测与目标参数向量的余弦角足够大,则 EM 算法的样本分割版本可以高概率地收敛到真实系数向量。
Apr, 2017
本研究介绍了一种新的伪标记形式,作为期望最大化算法的清晰统计解释,并提出了一种基于原始伪标记的半监督医学图像分割方法 SegPL,证明了其在 2D 多类 MRI 脑肿瘤和 3D 二进制 CT 肺血管分割任务中的效力和可靠性。
Aug, 2022
本文提出了一种基于 EM 算法的正则化版本,该方法可高效地利用先验知识来应对样本数据较小的情况,并通过收缩估计量以实现正定的协方差矩阵更新,从而改善 EM 算法在 Gaussian 混合模型(GMM)处理中的性能问题。此外,基于真实数据的实验证实了该算法在聚类目的上的良好性能。
Jul, 2023