[论文解读] Comparing Cross Correlation-Based Similarities

Luciano da Fontoura Costa|arXiv (Cornell University)|Nov 8, 2021

Neural Networks and Applications参考文献 22被引用 7

一句话总结

本文提出并系统比较了基于多重集的交叉相关方法，使用实值Jaccard指数和相似度指数，与经典的交叉相关方法在模板匹配中的表现进行对比。基于相似度的 方法在产生更尖锐、更窄的主峰并抑制次级匹配方面优于其他方法，尤其在噪声环境下表现更优；而结合经典交叉相关与多重集方法的混合方法则在高噪声水平下提升了鲁棒性。

ABSTRACT

The real-valued Jaccard and coincidence indices, in addition to their conceptual and computational simplicity, have been verified to be able to provide promising results in tasks such as template matching, tending to yield peaks that are sharper and narrower than those typically obtained by standard cross-correlation, while also attenuating substantially secondary matchings. In this work, the multiset-based correlations based on the real-valued multiset Jaccard and coincidence indices are compared from the perspective of template matching, with encouraging results which have implications for pattern recognition, deep learning, and scientific modeling in general. The multiset-based correlation methods, and especially the coincidence index, presented remarkable performance characterized by sharper and narrower peaks while secondary peaks were attenuated, which was maintained even in presence of intense levels of noise. In particular, the two methods derived from the coincidence index led to particularly interesting results. The cross correlation, however, presented the best robustness to symmetric additive noise, which suggested a new combination of the considered approaches. After a preliminary investigation of the relative performance of the multiset approaches, as well as the classic cross-correlation, a systematic comparison framework is proposed and applied for the study of the aforementioned methods. Several results are reported, including the confirmation, at least for the considered type of data, of the coincidence correlation as providing enhanced performance regarding detection of narrow, sharp peaks while secondary matches are duly attenuated. The combined method also resulted promising for dealing with signals in presence of intense additive noise.

研究动机与目标

• 评估并比较基于多重集的交叉相关方法，使用实值Jaccard指数和相似度指数，与模板匹配中的经典交叉相关方法。
• 评估这些方法在不同加性噪声水平下的鲁棒性。
• 识别在相似性检测至关重要的模式识别和深度学习应用中，最优的配置方案。
• 提出一种混合方法，将经典交叉相关与基于多重集的指标结合，以提升高噪声环境下的性能。
• 建立一个系统化的定量比较框架，用于跨多种指标评估交叉相关性能。

提出的方法

• 将实值多重集Jaccard指数和相似度指数适配，用于定义新的交叉相关运算，以实现信号相似性检测。
• 在合成和真实信号数据上，将这些基于相似性的相关运算应用于模板匹配任务。
• 提出一种混合方法：先应用经典交叉相关对信号进行去噪，再应用基于多重集的相关运算。
• 采用系统化的性能比较框架，使用多种定量指标，包括主峰锐度、次级主峰抑制程度和抗噪能力。
• 使用主成分分析（PCA）对不同方法的性能结果进行可视化和比较，评估其敏感性和离散程度。
• 定义性能指标，如主峰宽度、主峰信噪比和次级主峰抑制比，以客观地对方法进行排序。

实验结果

研究问题

• RQ1 基于Jaccard指数和相似度指数的多重集交叉相关方法，在主峰锐度和次级主峰抑制方面，与经典交叉相关方法相比表现如何？
• RQ2 在高加性噪声水平下，各方法的相对鲁棒性如何？
• RQ3 将经典交叉相关与基于多重集的方法结合，是否能提升在噪声环境下的性能？
• RQ4 在多重集方法中，Jaccard方法与相似度方法，哪一种在模板匹配中整体表现更优？
• RQ5 这些方法的性能特征在不同信号类型和噪声水平下如何变化？

主要发现

• 基于相似度的交叉相关方法产生了最尖锐、最窄的主峰，显著优于实值Jaccard方法和经典交叉相关方法。
• 在相似度方法中，次级匹配主峰被显著抑制，表明其在区分真实匹配与虚假匹配方面具有更优的判别能力。
• 经典交叉相关方法在对称加性噪声下表现出最高的鲁棒性，尤其在高噪声水平下。
• 所提出的混合方法——先应用经典交叉相关，再应用基于多重集的方法——在高噪声场景下性能显著提升，尤其在平滑模板中表现更优。
• 主成分分析显示，相似度方法和Jaccard方法在性能空间中表现出更高的离散度，表明其对信号形状和噪声变化更为敏感。
• 结果证实，基于多重集的相关方法，尤其是相似度指数，为模式识别和深度学习场景提供了极具吸引力的替代方案，因其具备更优的主峰分辨率和噪声感知抑制能力。