En el análisis de datos , la matriz de auto-semejanza es una representación gráfica de secuencias similares en una serie de datos.
La similitud se puede explicar mediante diferentes medidas, como la distancia espacial ( matriz de distancia ), la correlación o la comparación de histogramas locales o propiedades espectrales (por ejemplo, IXEGRAM [1] ). Esta técnica también se aplica para la búsqueda de un patrón dado en una larga serie de datos, como en el apareamiento de genes . [ cita requerida ] Una gráfica de similitud puede ser el punto de partida para las gráficas de puntos o las gráficas de recurrencia .
Definición
Para construir una matriz de autosimilitud, primero se transforma una serie de datos en una secuencia ordenada de vectores de características. , donde cada vector describe las características relevantes de una serie de datos en un intervalo local dado. Luego, la matriz de auto-similitud se forma calculando la similitud de pares de vectores de características
dónde es una función que mide la similitud de los dos vectores, por ejemplo, el producto interno . Luego, segmentos similares de vectores de características se mostrarán como una ruta de alta similitud a lo largo de las diagonales de la matriz. [2] Los gráficos de similitud se utilizan para el reconocimiento de acciones que es invariante al punto de vista [3] y para la segmentación de audio mediante agrupamiento espectral de la matriz de auto-semejanza. [4]
Ejemplo
Ver también
Referencias
- ^ MA Casey; A. Westner (julio de 2000). "Separación de fuentes de audio mixtas mediante análisis subespacial independiente" (PDF) . Proc. En t. Computación. Música Conf . Consultado el 19 de noviembre de 2013 . Verifique los valores de fecha en:
|date=
( ayuda ) - ^ Müller, Meinard; Michael Clausen (2007). "Matrices de auto-semejanza invariante de transposición" (PDF) . Actas de la 8ª Conferencia Internacional sobre Recuperación de Información Musical (ISMIR 2007) : 47–50 . Consultado el 19 de noviembre de 2013 .
- ^ EN Junejo; E. Dexter; I. Laptev; Patrick Pérez (2008). Reconocimiento de acción de vista cruzada a partir de auto-semejanzas temporales . En Proc. Congreso Europeo de Visión por Computador (ECCV), Marsella, Francia . Apuntes de conferencias en informática. 5303 . págs. 293-306. CiteSeerX 10.1.1.405.1518 . doi : 10.1007 / 978-3-540-88688-4_22 . ISBN 978-3-540-88685-3.
- ^ Dubnov, Shlomo; Ted Apel (2004). "Segmentación de audio por agrupamiento de valores singulares". Actas de la Computer Music Conference (ICMC 2004) . CiteSeerX 10.1.1.324.4298 .
- ^ Reconocimiento de acción de vista cruzada de auto-semejanzas temporales (2008), I. Junejo, E. Dexter, I. Laptev y Patrick Pérez)
Otras lecturas
- N. Marwan; MC Romano; M. Thiel; J. Kurths (2007). "Gráficos de recurrencia para el análisis de sistemas complejos". Informes de física . 438 (5–6): 237. Bibcode : 2007PhR ... 438..237M . doi : 10.1016 / j.physrep.2006.11.001 .
- J. Foote (1999). Visualización de música y audio mediante la auto-semejanza . En: Actas de ACM Multimedia '99, Orlando, Florida . págs. 77–80. CiteSeerX 10.1.1.223.194 . doi : 10.1145 / 319463.319472 . ISBN 978-1581131512.
- MA Casey (2002). BS Manjunath; P. Salembier; T. Sikora (eds.). Herramientas de clasificación y similitud de sonido . Introducción a MPEG-7: Lenguaje de descripción de contenido multimedia . J. Wiley. págs. 309–323. ISBN 978-0471486787.