一种用于二维形状相似性的混合几何特征算法

本文研究了量化平面二维形状相似性的问题，该问题与认知、发展和神经学研究中的内部表征研究相关。我们设计了一组测试形状，并将其沿着视觉定义的知觉相似性梯度进行排列，用以评估经典的形状比较几何方法，包括 Procrustes 距离和 Chamfer 距离，以及一种受卷积神经网络（CNN）启发的基于特征的方法。基于对这些单一方法局限性的识别，我们开发了一种混合式几何—特征相似性（GFS）算法，该算法将几何对齐、全局轮廓属性和基于卷积特征的描述符结合为统一的加权相似性评分。通过结合全局几何信息与局部结构特征，GFS 算法比单独使用几何方法或基于特征的方法更准确地再现了人类对形状相似性的知觉判断。该算法既不需要网络训练，也不依赖大规模标注数据集，因此为广泛涉及定量形状比较的研究提供了一种高效且可解释的工具。

在本文中，我们探讨了量化平面二维形状之间相似性的问题，该问题与认知、发展和神经学研究中内部表征的研究密切相关。我们设计了一组沿视觉定义的知觉相似性梯度排列的测试形状，并利用这些形状评估了经典的形状比较几何方法，包括 Procrustes 距离和 Chamfer 距离，以及一种受卷积神经网络（CNN）启发的基于特征的方法。

基于对这些单一方法局限性的识别，我们开发了一种混合式几何-特征相似性（GFS）算法，该算法将几何对齐、全局轮廓属性以及基于卷积特征的描述符结合为统一的加权相似性评分。通过结合全局几何信息与局部结构特征，GFS 算法比单独使用几何方法或基于特征的方法更准确地复现了人类对形状相似性的知觉判断。所提出的算法既不需要网络训练，也不依赖大规模标注数据集，因此为涉及定量形状比较的广泛研究提供了一种高效且可解释的工具。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.08.20.745909v1?rss=1

🏷️ 二维形状相似性 混合几何特征 卷积神经网络特征 知觉相似性 计算机视觉