13、隐式形状模型优化树的学习与拓扑选择

隐式形状模型优化树的学习与拓扑选择

1. 拓扑选择与可视化

在拓扑选择过程中，每个拓扑都有一个索引来标识，被选为当前拓扑的会用粗蓝色边框突出显示。例如在相关图示中，起始拓扑用浅蓝色边框标记，优化拓扑用深蓝色边框标记，通过蓝色线条连接连续优化步骤的当前拓扑，清晰展示了拓扑被标记为当前拓扑的时间顺序。

这些当前拓扑不仅在图中以抽象的圆圈形式可视化，还在另一图中以无向图的形式具体呈现。除了选定的起始拓扑外，其他选定的拓扑都是后继拓扑。为了简化优化过程，后继函数从三种操作限制为一种添加操作，这使得每一步生成的后继数量持续减少。

同时，还展示了完整拓扑，它在关系拓扑选择开始时用于生成测试配置集。与优化拓扑相比，完整拓扑包含的关系数量明显更多，减少拓扑中建模的空间关系数量对场景识别的时间消耗有指数级影响。

2. 爬山法进行关系拓扑选择

爬山法采用贪心启发式策略，当前拓扑的评分从起始拓扑到优化拓扑严格单调递减。只要能在每次新迭代中提高当前拓扑的评分，爬山法就会继续搜索。当无法再降低评分时，局部搜索停止。由于爬山法的终止条件仅取决于遇到的拓扑的相对质量，因此无法提前确定关系拓扑选择的持续时间。

3. 模拟退火法进行关系拓扑选择

爬山法在遇到第一个极值（无论是全局还是局部）时就会终止，可能导致得到的优化拓扑远离全局极值，这被称为搜索算法的“不完整性”。而随机游走虽然完整但效率极低。模拟退火法则结合了爬山法和随机游走，既有效率又完整。

以下是模拟退火法选择拓扑的算法：

Algorithm 17 select