31、基于概率双聚类的多结构恢复

基于概率双聚类的多结构恢复

1. 引言

多结构恢复（MSR）是计算机视觉和模式识别领域中一个重要且具有挑战性的问题。它旨在从嘈杂或包含异常值的数据中提取多个模型，在许多计算机视觉应用中都有广泛的需求，例如3D重建、人脸聚类、人体姿态估计和视频运动分割等。

传统上，MSR问题常通过聚类技术来解决。聚类方法通常基于相似性准则对数据矩阵的行（或列）进行分组。例如J - linkage、T - linkage和RPA等方法，它们将数据点表示为对一组暂定结构的偏好向量，然后通过凝聚或划分方法进行聚类分析。然而，聚类方法在某些情况下性能会受到数据矩阵结构的影响，例如数据矩阵存在噪声，或者行仅在数据矩阵的一小部分中表现相似。

双聚类是一种可以解决聚类方法局限性的技术。双聚类是指对给定数据矩阵的行和列同时进行聚类的一类算法，其目标是隔离出子矩阵，使得这些子矩阵中的行在特定列子集上表现出“一致行为”，反之亦然。与聚类相比，双聚类利用局部信息来检索通过对整行或整列进行分析无法发现的结构。双聚类最初应用于生物场景（如基因表达微阵列数据集的分析），如今已广泛应用于市场细分、数据挖掘等多个领域。

本文研究了双聚类在MSR中的性能，采用了一种最近的概率双聚类方法——因子分析双聚类获取（FABIA）算法，并在Adelaide真实基准数据集上进行了实验评估。结果表明，双聚类技术与现有最先进的聚类方法相比具有优势。

2. 背景和相关工作

2.1 多结构恢复

MSR的目标是从非结构化数据中检索参数模型，以便将视觉内容组织和聚合为有意义的高级几何结构。在许多计算机视觉应用中，如3D重建，MSR可用于估计多个刚性运动对象或对重建的3