2つのPointアトリビュートや2つのボリュームの相違度を測定する方法が色々あります。 その一般的な方法の一つは、差の二乗平均平方根(RMS)を用いることです。 これは、機械学習(ML)における損失関数の定義でよく用いられています。 この場合、平方根は省略可能です。 なぜならば、MLでは損失の実際の値よりも、損失を最小限にすることだけが重要だからです。
PointアトリビュートsとPointアトリビュートtがあると仮定しましょう。
各ポイントに対して、sとtの差を計算し、その差を二乗することができます。
これらの二乗差をすべて合計して、その平方根を取ります。
これによって、sとtの相違度を示した損失値が得られます。
ボリュームsとボリュームtでも同様に考えることができます。
各ボクセルにおいて、sとtの差を計算し、その差を二乗します。
すべての二乗差を合計して、その平方根を取ります。
Pointアトリビュートsの場合を考えてみましょう。
たいていの場合、Pointアトリビュートsは固定ベクトルセットの線形結合であることがあらかじめ決められています。
これはアニメーションの分野でよく見られます。
例えば、ブレンドシェイプを使用した場合がそうです。
別のアニメーション関連の例としては、リニアブレンドスキニングが挙げられます。
ここで、固定ベクトルセットはキャプチャウェイトによって定義されていて、この固定ベクトルセットに関してsを決定する係数は、ジョイントにおけるグローバルトランスフォームマトリックスの成分となります。
sが固定ベクトルセットの線形結合である場合、sはその線形結合の係数によって完全に決定されます。
tも固定されている場合、損失関数をこれらの係数に関して完全に書き換えることが可能です。
これがLinear Reduce SOPで実現できることです。
パラメータ ¶
Data Type
解析に使用するソースデータ。
Point Attributes
Pポジションアトリビュートを使用します。
これは、連続したグループ単位でバッチ処理されます。
したがって、すべての入力サンプルは同じポイント数を持ち、連結されている必要があります。
Volumes
各ボリュームが1サンプルとなります。 すべてのボリュームは、解像度とタプルサイズが一致している必要があります。
Point Attribute
Pointアトリビュートの名前。
Points per Sample
解析用の各削減ベクトルを形成するポイント数。 これは、ポイント総数で割り切れる整数である必要があります。
Mode
Reduce と Expand のいずれかを選択します。
Reduce
指定されたベクトルセットを用いて、減少した損失関数の成分を計算します。
Expand
指定されたウェイトを用いて、指定されたベクトルセットを結合します。
| See also |
Linear Solver
Principal Component Analysis
ML Example
