25、基于聚类的形状分解集成技术

基于聚类的形状分解集成技术

1. 引言

在形状分解领域，虽然已经存在许多算法，但多种分解方法的组合尚未得到充分研究。本文提出了一种基于聚类的形状分解集成解决方案，并通过一个包含手动真值的基准数据库以及评估指标的性能评估框架，展示了该集成技术的优势。

2. 算法参数分析

2.1 ACD 算法参数

对于 ACD 算法，研究了其单一参数 θ 不同取值下的距离情况，包括 Hamming 距离和 Jaccard 距离。具体数据如下表所示：
| θ | 0.04 | 0.05 | 0.06 | 0.07 | 0.08 |
| — | — | — | — | — | — |
| Hamming | 0.142 | 0.132 | 0.128 | 0.132 | 0.133 |
| Jaccard | 0.350 | 0.329 | 0.323 | 0.330 | 0.332 |

从表中可以看出，在两种距离度量下，都找到了最优参数值 θ = 0.06，并将其用于性能评估。

2.2 集成方法参数

集成方法引入了两个额外的阈值参数 t1 和 t2。在实验中，t2 的多数投票方案明显优于较低的阈值，因此选择该方案进行实验测试。对于 t1，采用相同的训练过程来找到其最优参数值。

3. 验证结果

3.1 单个形状分解方法性能

表 2 展示了基准数据库中所有形状的平均不相似度度量，涉及五种单个形状分解方法（按性能排序）。对于每个形状，计算的分解结果要么与所有对应的 GT 实例进行比较并报告平均值（表的左半部分）