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