Le Lu, Rene Vidal John Hopkins University (担当:猪口)

Slides:



Advertisements
Similar presentations
Lesson 9. 頻度と分布 §D. 正規分布. 正規分布 Normal Distribution 最もよく使われる連続確率分布 釣り鐘形の曲線 -∽から+ ∽までの値を取る 平均 mean =中央値 median =最頻値 mode 曲線より下の面積は1に等しい.
Advertisements

顔表情クラスタリングによる 映像コンテンツへのタギング
主成分分析 主成分分析は 多くの変数の中を軸を取り直すことで より低い次元で表現できるようにする。 データがばらついている方向ほど
画像セグメンテーションにおけるウェーブレット係数の局所テクスチャ特徴を用いたGraph Cuts
Cluster Analysis 徳山研究室M2 鈴木 晶子.
画像処理工学 2012年2月2日 担当教員 北川 輝彦.
先端論文ゼミ -タイトル- Identification of homogeneous regions for regional frequency analysis using the self organizing map (自己組織化マップを使っている地域の頻度分析のための均一な地 方の識別)
Data Clustering: A Review
画像処理論.
Scalable Collaborative Filtering Using Cluster-based Smoothing
論文紹介 “Data Spectroscopy: Learning mixture models using eigenspaces of convolution operators” (ICML 2008) ─ by Tao Shi, Mikhail Belkin, and Bin Yu IBM東京基礎研究所.
Accelerated Gradient Methods for Stochastic Optimization and Online Learning (Hu, Kwok and Pan, NIPS2009) 二宮 崇 機械学習勉強会 2010 年 6 月 17 日 1.
Extremal Combinatorics 14.1 ~ 14.2
Chapter 7. Content-Addressable Memory
先端論文紹介ゼミ Role-based Context-specific Multiagent Q-learning
TextonBoost:Joint Appearance, Shape and Context Modeling for Multi-Class Object Recognition and Segmentation 伊原有仁.
ランダムプロジェクションを用いた 音声特徴量変換
VI-7 連続分布(面データ)を分析する方法
ベイズ基準によるHSMM音声合成の評価 ◎橋本佳,南角吉彦,徳田恵一 (名工大).
高次元データにおける幾つかの検定統計量の漸近分布について
クラスタリング 距離と分類の考え方.
ガウス過程による回帰 Gaussian Process Regression GPR
サポートベクターマシン によるパターン認識
Fuzzy c-Means法による クラスター分析に関する研究
Data Clustering: A Review
PCAからICAへ? 狩野裕+清水昌平 (大阪大学人間科学部) 日本行動計量学会:東京大学 平成12年10月.
Computer Graphics 第3回 座標変換 芝浦工業大学情報工学科 青木 義満
正規分布における ベーテ近似の解析解と数値解 東京工業大学総合理工学研究科 知能システム科学専攻 渡辺研究室    西山 悠, 渡辺澄夫.
第9章 混合モデルとEM 修士2年 北川直樹.
正規分布確率密度関数.
量的表現 Quantitation.
画像処理工学 2013年1月23日 担当教員 北川 輝彦.
混合ガウスモデルによる回帰分析および 逆解析 Gaussian Mixture Regression GMR
Probabilistic Method 2007/11/02 岩間研究室M1 市場孝之.
第6章 特徴空間の変換 6.1 特徴選択と特徴空間の変換 6.2 特徴量の正規化 平成15年5月23日(金) 発表者 藤井 丈明
訓練データとテストデータが 異なる分布に従う場合の学習
Computer Graphics 第10回 レンダリング(4) マッピング
Anja von Heydebreck et al. 発表:上嶋裕樹
コンポーネントランク法を用いたJavaクラス分類手法の提案
2018/9/10 ACL読み会 名古屋大学大学院 M2 佐藤・松崎研 土居裕典.
主成分分析 Principal Component Analysis PCA
Data Clustering: A Review
東北大学 大学院情報科学研究科 応用情報科学専攻 田中 和之(Kazuyuki Tanaka)
部分的最小二乗回帰 Partial Least Squares Regression PLS
Data Clustering: A Review
ガウシアン確率伝搬法の 近似精度に対する理論解析
Wavelet係数の局所テクスチャ特徴量を用いたGraph Cutsによる画像セグメンテーション
わかりやすいパターン認識 第7章:部分空間法  7.1 部分空間法の基本  7.2 CLAFIC法                  6月13日(金)                  大城 亜里沙.
Data Clustering: A Review
サポートベクターマシン Support Vector Machine SVM
Data Clustering: A Review
クロスバリデーションを用いた ベイズ基準によるHMM音声合成
東北大 情報科学 田中和之,吉池紀子 山口大 工 庄野逸 理化学研究所 岡田真人
ベイズ基準による 隠れセミマルコフモデルに基づく音声合成
パターン認識 ークラスタリングとEMアルゴリズムー 担当:和田 俊和 部屋 A513
パターン認識 ークラスタリングとEMアルゴリズムー 担当:和田 俊和 部屋 A513
``Exponentiated Gradient Algorithms for Log-Linear Structured Prediction’’ A.Globerson, T.Y.Koo, X.Carreras, M.Collins を読んで 渡辺一帆(東大・新領域)
ベイズ音声合成における 事前分布とモデル構造の話者間共有
1ーQー18 音声特徴量抽出のための音素部分空間統合法の検討
大規模並列計算による原子核クラスターの構造解析と 反応シミュレーション
◎小堀 智弘,菊池 浩明(東海大学大学院) 寺田 真敏(日立製作所)
音響伝達特性モデルを用いた シングルチャネル音源位置推定の検討 2-P-34 高島遼一,住田雄司,滝口哲也,有木康雄 (神戸大) 研究の背景
制約付き非負行列因子分解を用いた 音声特徴抽出の検討
東北大学 大学院情報科学研究科 応用情報科学専攻 田中 和之(Kazuyuki Tanaka)
Data Clustering: A Review
ベクトル関数の回転(カール、ローティション)
ガウシアングラフィカルモデルにおける一般化された確率伝搬法
AAMと回帰分析による視線、顔方向同時推定
グラフ-ベクトル変換を用いたグラフ構造表現による一般物体認識
混合ガウスモデル Gaussian Mixture Model GMM
Presentation transcript:

Le Lu, Rene Vidal John Hopkins University (担当:猪口) Combined Central and Subspace Clustering for Computer Vision Application Le Lu, Rene Vidal John Hopkins University (担当:猪口)

Introduction Central Clustering Subspace 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 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 GPCAはY軸上の点を, A1とラベル付け 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 Subspace Clustering , K-subspace 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) KK KM KK MP KM GK GK MP JC JC 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

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