与传统的一阶马尔科夫随机场(Markov random field,MRF)相比,高阶马尔科夫随机场能够表达更加复杂的定性和统计性先验信息,在模型的表达能力上具有更大的优势.但高阶马尔科夫随机场对应的能量函数优化问题更为复杂.同时其模型参数数目...与传统的一阶马尔科夫随机场(Markov random field,MRF)相比,高阶马尔科夫随机场能够表达更加复杂的定性和统计性先验信息,在模型的表达能力上具有更大的优势.但高阶马尔科夫随机场对应的能量函数优化问题更为复杂.同时其模型参数数目的爆炸式增长使得选择合适的模型参数也成为了一个非常困难的问题.近年来,学术界在高阶马尔科夫随机场的能量模型的建模、优化和参数学习三个方面进行了深入的探索,取得了很多有意义的成果.本文首先从这三个方面总结和介绍了目前在高阶马尔科夫随机场研究上取得的主要成果,然后介绍了高阶马尔科夫随机场在图像理解和三维场景理解中的应用现状.展开更多
针对贝叶斯网络参数的近似等式约束,提出采用正态分布构建该类约束的数学模型;然后用Dirichlet分布逼近正态分布,并通过目标优化计算Dirichlet分布的超参数;最后采用贝叶斯最大后验概率(maximum a posterior,MAP)估计方法计算网络参数...针对贝叶斯网络参数的近似等式约束,提出采用正态分布构建该类约束的数学模型;然后用Dirichlet分布逼近正态分布,并通过目标优化计算Dirichlet分布的超参数;最后采用贝叶斯最大后验概率(maximum a posterior,MAP)估计方法计算网络参数值。在不同样本量的数据集下进行实验测试,将本文方法与其他4种主要方法进行比较,结果表明:该方法的参数学习精度都好于其他4种方法,尤其是在样本量较小的情况下。该方法的运行时间高于其他4种方法,但相同样本量的数据集下,学习精度的提高倍数要高于时间增加的倍数。展开更多
文摘与传统的一阶马尔科夫随机场(Markov random field,MRF)相比,高阶马尔科夫随机场能够表达更加复杂的定性和统计性先验信息,在模型的表达能力上具有更大的优势.但高阶马尔科夫随机场对应的能量函数优化问题更为复杂.同时其模型参数数目的爆炸式增长使得选择合适的模型参数也成为了一个非常困难的问题.近年来,学术界在高阶马尔科夫随机场的能量模型的建模、优化和参数学习三个方面进行了深入的探索,取得了很多有意义的成果.本文首先从这三个方面总结和介绍了目前在高阶马尔科夫随机场研究上取得的主要成果,然后介绍了高阶马尔科夫随机场在图像理解和三维场景理解中的应用现状.
文摘针对贝叶斯网络参数的近似等式约束,提出采用正态分布构建该类约束的数学模型;然后用Dirichlet分布逼近正态分布,并通过目标优化计算Dirichlet分布的超参数;最后采用贝叶斯最大后验概率(maximum a posterior,MAP)估计方法计算网络参数值。在不同样本量的数据集下进行实验测试,将本文方法与其他4种主要方法进行比较,结果表明:该方法的参数学习精度都好于其他4种方法,尤其是在样本量较小的情况下。该方法的运行时间高于其他4种方法,但相同样本量的数据集下,学习精度的提高倍数要高于时间增加的倍数。
