Normalizing flows and deep Q-networks for shape analysis

Abstract

Denne oppgaven tar for seg to forskjellige tilnærminger for å analysere kurver. I den første tilnærmingen anvender vi dype q-nettverk for å finne en optimal reparametrisering mellom to kurver. Denne reparametriseringen er nødvendig for å sammenligne kurver med metoder fra formanalyse. Den påfølgende optimeringsprosedyren har lineær tidskompleksitet, men konvergerer ikke alltid.

I den andre tilnærmingen, bruker vi normaliserende flyt å interpolere og klyngeanalysere data. Vi foreslår en klyngeanalysemetode basert på normaliserende flyt og forventning-maksimering. Ved bruk av denne klyngeanalysemetoden på data fra bevegelsesopptak klarer vi å gruppere gåbevegelser og løpebevegelser i to separate grupper. Vi anvender også normaliserende flyt til å interpolere data fra bevegelsesopptak. Interpolasjonen genererer nye data som har en høy estimert sannsynlighet, men det er ingen stor visuell forskjell fra lineær interpolasjon.

This thesis considers two different approaches for analyzing curves. In the first approach, we apply deep Q-networks as a method to find an optimal reparametrization between two curves. This reparametrization is necessary when comparing curves in the context of shape analysis. The resulting optimization procedure has a linear time complexity but does not always converge.

Secondly, we use normalizing flows as a way to cluster and interpolate data. We propose a clustering method based on normalizing flows and the expectation-maximization algorithm. Using this clustering method on motion capture data we cluster walking and running motions perfectly into separate clusters. We also test interpolation with normalizing flows on motion capture data. The interpolation method produces new data with a high estimated probability, we observe no significant visual difference from linear interpolation.