13、隐式形状模型优化树的学习

隐式形状模型优化树的学习

在场景识别领域，关系拓扑选择对于构建高效准确的场景分类器至关重要。本文将深入探讨基于爬山法和模拟退火法的关系拓扑选择方法，以及隐式形状模型（ISM）树在场景识别中的应用。

1. 关系拓扑选择基础

在关系拓扑选择过程中，每个拓扑通过索引进行标识。以图3.20为例，当前拓扑在优化步骤中会用蓝色粗边框突出显示，其中起始拓扑和优化拓扑尤为明显，起始拓扑有浅蓝色边框，优化拓扑有深蓝色边框。这些当前拓扑不仅在图3.20中以抽象圆圈表示，还在图3.21中以无向图具体展示。

图3.21中，除了选定的起始拓扑（编号1），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），这使得每个优化步骤生成的后继数量持续减少。同时，图3.21中的编号10展示了示例场景类别的完整拓扑，该拓扑用于生成测试配置集。

2. 爬山法进行关系拓扑选择

爬山法是一种贪心启发式算法，在局部搜索中，每次迭代都要求当前拓扑的评分比前一次迭代有所提高。如图3.20所示，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（如图3.20最上面一行），局部搜索停止。由于爬山法的终止条件仅取决于所遇到拓扑的相对质量，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，这种特性被称为“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的优点，既有效率又能保证完整性。

<