19、复杂场景下的3D物体分类

复杂场景下的3D物体分类

1. 受限玻尔兹曼机（RBM）与采样方法

RBM 代表了隐藏单元层 ( h = (h_1, …, h_n) ) 与输入的可见单元 ( x = (x_1, …, x_d) ) 以及目标 ( y ) 之间联合分布 ( p(y, x, h) ) 的参数模型：
[p(y, x, h) \propto e^{-E(y,x,h)}]
其中，
[E(y, x, h) = -h’W x - b’x - c’h - d’y - h’Uy]
这里 ( \theta = (W, b, c, d, U) ) 是模型参数，对于 ( C ) 个类别，( y = (1_{y=j})_{j=1}^C )。

在训练 RBM 时，常用的梯度近似方法有：
- 对比散度（CD）算法 ：首先运行一个以训练集数据初始化的吉布斯链。当定义二进制隐藏单元时，重新计算可见值。最后一步，通过隐藏和可见单元的值计算隐藏单元的概率。
- 持久对比散度（PCD）算法 ：为克服 CD 算法不精确的局限性，Tieleman 提出了该算法，仅使用上一次更新步骤中的最终链状态。
- 持久对比散度中的自由能（FEPCD）算法 ：Keyvanrad 和 Homayounpour 提出的新 RBM 训练方法，使用自由能作为从生成模型中获取最佳样本的标准。

2. 深度信念网络（DBN）架构

DBN 有两种常见架构：生成式 DBN（GDBN）和判别式 DBN（DDBN），它们都使用贪婪逐层算法。

2.1