12、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. 误报测试配置的生成

在场景识别中，误报是一个需要解决的问题。为了检测可能导致误报的对象配置，我们从演示轨迹 $J(o)$ 中提取一组对象配置 ${ {i_p}}$。

在优化过程中遍历的拓扑空间里，星形拓扑 ${\sigma}$ 对接受的对象配置最为宽松。其对应的树 ${m_{\sigma}}$ 会接受所有可能导致更严格关系拓扑产生误报的配置。每个星形模型接受的 $l^n$ 个配置（其中 $n$ 是场景类别中的对象数量，$l$ 是轨迹的长度）可以通过从每个轨迹中提取特定姿态来生成。

为了检查一个配置是否会导致误报，可以使用完整拓扑 $\mu$ 的 ISM 树。由于生成所有 $l^n$ 个配置是不可行的，因此使用 Algorithm 14 随机生成固定数量 $l_p$ 的配置。

以下是 Algorithm 14 的具体步骤：

Algorithm 14 generateTestConfigurations({o}, {J(o)}, {mμ}) →{
  
  {i p}}
1: 加载测试配置候选的最大数量 $l_p$
2: 从 $\{J(o)\}$ 推断轨迹长度 $l$
3: for $u \leftarrow 1 ... l_p$ do
4:     创建空的 $\{i_p\}$
5:     从 $\{o\}$ 中随机选择 $o_F$，从 $\{1, \cdots, l\}$ 中随机选择时间 $t_F$
6:     从 $E(o_F, t_F)$ 中提取 $T_F(t_F)$
7:     将具有 $T_F