ตามคำอธิบายปัญหาของคุณทั้ง HMM (รุ่นทั่วไป) และ CRF (รุ่นที่เลือกปฏิบัติ) จะใช้งานได้ ดูการสนทนานี้สำหรับคำอธิบายในเชิงลึกของทั้งสองวิธี:
ความแตกต่างระหว่างอัลกอริทึมกำเนิดและการเลือกปฏิบัติคืออะไร?
คำแนะนำ: ก่อนที่จะเลือกอัลกอริทึมให้เริ่มต้นด้วยการดูข้อมูลตัวเลขของคุณอย่างรอบคอบด้วย MATLAB แปลงหรือคล้ายกัน หากข้อมูลเป็นหลายมิติ (เช่นค่าแรงจากเซ็นเซอร์หลายตัว) อาจเป็นกรณีที่บางมิติ (เช่นการอ่านเซ็นเซอร์) ไม่มีข้อมูลการแบ่งแยกที่มีประโยชน์ ในกรณีนี้บีบอัดข้อมูลด้วยการวิเคราะห์องค์ประกอบหลักเพื่อให้คุณมีคุณสมบัติที่กระชับยิ่งขึ้นในระหว่างการฝึกอบรมและการจำแนกประเภท
ตอนนี้เกี่ยวกับคำถามของคุณ:
ความแตกต่างคือ HMM สามารถแสดงคลาสของพื้นผิวแต่ละอันด้วยตัวแปร / สถานะที่ซ่อนอยู่หลายแห่งดังนั้นจึงจับภาพวิวัฒนาการทางโลกภายในของผู้ติดต่อแต่ละคน เราสามารถพูดได้ว่า HMM เป็นแบบอย่างที่ดีกว่าในการ "พลวัตระดับต่ำ" (ระดับภายใน) ของข้อมูลของคุณ ตัวอย่างเช่นในกรณีของคุณ HMM จะอนุญาตให้คุณสร้างแบบจำลองสามขั้นตอนที่แตกต่างกันของแต่ละการเก็บข้อมูล: (1) จุดเริ่มต้นของการติดต่อระหว่างหุ่นยนต์และวัตถุ (2) ส่วนติดต่อที่เสถียร; (3) สิ้นสุดการติดต่อและปล่อย ขั้นตอนเหล่านี้อาจมีค่าที่แตกต่างกันในเวลาแม้สำหรับพื้นผิววัตถุเดียวกันและมันก็สมเหตุสมผลที่จะแยกพวกมันออกเพื่อปรับปรุงผลการจำแนกประเภท
ในทางกลับกัน CRF เหมาะสำหรับการจับภาพความสัมพันธ์ "ระดับสูง" (ระหว่างคลาส) ของการกระจายข้อมูลของคุณซึ่งบางครั้งมีความสำคัญเมื่อความแปรปรวนเชิงพื้นที่สูงหรือเมื่อลักษณะการสังเกตคล้ายกันมากระหว่าง สองตัวอย่างที่เป็นของชั้นเรียนที่แตกต่างกัน
โดยส่วนตัวฉันพบว่า HMM ใช้งานง่ายขึ้นและฉันจะเริ่มต้นด้วยสิ่งเหล่านี้ แต่ระยะทางของคุณอาจแตกต่างกันไป
หากฉันตัดสินใจที่จะจัดประเภทเป็นหมวดหมู่มากขึ้นและความแตกต่างระหว่างแต่ละหมวดหมู่นั้นมีความละเอียดอ่อนมากในกรณีนี้สิ่งที่จะเป็นทางเลือกที่ดี?
ในกรณีนี้ CRF สามารถเป็นตัวเลือกที่แข็งแกร่งกว่า (ดูด้านบน)
ข้อมูลแรงจะเพียงพอที่จะรวบรวมข้อมูลทั้งหมดที่ฉันต้องการเพื่อจำแนกพื้นผิวออกเป็นหมวดหมู่เหล่านี้หรือไม่
การเพิ่มคุณสมบัติด้านภาพ (ลักษณะที่ปรากฏของวัตถุ) โดยเฉพาะอย่างยิ่งถ้าถ่ายด้วยกล้องความละเอียดสูงสามารถช่วยในการตรวจสอบว่าวัตถุนั้นมีพื้นผิวที่ขรุขระหรือไม่