概率图模型及计算机视觉应用

概率图模型及计算机视觉应用
分享
扫描下方二维码分享到微信
打开微信,点击右上角”+“,
使用”扫一扫“即可将网页分享到朋友圈。
作者: [美] (Qiang Ji)
2021-09
版次: 1
ISBN: 9787111690320
定价: 99.00
装帧: 其他
开本: 16开
纸张: 胶版纸
字数: 253千字
  • 本书是美国伦斯勒理工学院(Rensselaer Polytechnic Institute, RPI)纪强(Qiang Ji)教授专门为概率图模型编写的一本专著。本书介绍了计算机视觉中的概率图模型(PGM),讨论了PGM及其在解决计算机视觉中存在的问题,提供了基本概念、定义和属性。专注于PGM的理论,以伪代码和推导的方式对PGM进行了详细的解释。 译者序

    第1章  知识背景和学习动机1

    1.1  引言1

    1.2  本书目标和特点4

    1.3  PGM介绍4

    1.3.1  PGM的主要问题5

    1.4  本书大纲6

    参考文献7

    第2章  基础概念9

    2.1  引言9

    2.2  随机变量与概率9

    2.2.1  随机变量与概率定义9

    2.2.2  基本的概率法则10

    2.2.3  独立性和条件独立性11

    2.2.4  均值、协方差、相关性和独立性11

    2.2.5  概率不等式13

    2.2.6  概率分布14

    2.3  基本的估计方法17

    2.3.1  极大似然法17

    2.3.2  贝叶斯估计法19

    2.4  优化方法19

    2.4.1  连续优化19

    2.4.2  离散优化21

    2.5  采样和样本估计21

    2.5.1  采样技术21

    2.5.2  样本估计22

    参考文献23

    第3章  有向概率图模型25

    3.1  引言25

    3.2  贝叶斯网络25

    3.2.1  BN表示25

    3.2.2  BN的特性27

    3.2.3  贝叶斯网络的类型29

    3.3  BN推理34

    3.3.1  精确推理方法35

    3.3.2  近似推理方法47

    3.3.3  高斯BN的推理55

    3.3.4  贝叶斯推理56

    3.3.5  不确定证据下的推理57

    3.4  完全数据下的BN学习57

    3.4.1  参数学习58

    3.4.2  结构学习63

    3.5  缺失数据下的BN学习69

    3.5.1  参数学习69

    3.5.2  结构学习75

    3.6  人工贝叶斯网络规范76

    3.7  动态贝叶斯网络77

    3.7.1  简介77

    3.7.2  学习和推理79

    3.7.3  特殊的DBN81

    3.8  分层贝叶斯网络91

    3.8.1  分层贝叶斯模型91

    3.8.2  分层深层模型95

    3.8.3  混合分层模型98

    3.9  附录99

    3.9.1  式(3.63)证明99

    3.9.2  高斯贝叶斯网络证明100

    3.9.3  拉普拉斯近似102

    参考文献102

    第4章  无向概率图模型107

    4.1  引言107

    4.1.1  定义和性质107

    4.2  成对马尔可夫网络110

    4.2.1  离散成对马尔可夫网络110

    4.2.2  标记观测马尔可夫网络111

    4.2.3  高斯马尔可夫网络112

    4.2.4  受限玻尔兹曼机113

    4.3  条件随机场114

    4.4  高阶长程马尔可夫网络116

    4.5  马尔可夫网络推理117

    4.5.1  精确推理方法117

    4.5.2  近似推理方法120

    4.5.3  其他MN推理方法122

    4.6  马尔可夫网络学习123

    4.6.1  参数学习123

    4.6.2  结构学习129

    4.7  马尔可夫网络与贝叶斯网络131

    参考文献132

    第5章  计算机视觉应用135

    5.1  引言135

    5.2  用于低级计算机视觉任务的PGM135

    5.2.1  图像分割135

    5.2.2  图像去噪136

    5.2.3  用MRF标记图像136

    5.2.4  用CRF进行图像分割141

    5.2.5  用贝叶斯网络进行图像分割145

    5.3  用于中级计算机视觉任务的PGM149

    5.3.1  目标检测与识别149

    5.3.2  场景识别165

    5.3.3  目标追踪167

    5.3.4  三维重建和立体视觉177

    5.4  用于高级计算机视觉任务的PGM184

    5.4.1  面部表情识别184

    5.4.2  人类活动识别187

    5.4.3  为人类活动识别刻画上下文208

    参考文献212

    索引220
  • 内容简介:
    本书是美国伦斯勒理工学院(Rensselaer Polytechnic Institute, RPI)纪强(Qiang Ji)教授专门为概率图模型编写的一本专著。本书介绍了计算机视觉中的概率图模型(PGM),讨论了PGM及其在解决计算机视觉中存在的问题,提供了基本概念、定义和属性。专注于PGM的理论,以伪代码和推导的方式对PGM进行了详细的解释。
  • 目录:
    译者序

    第1章  知识背景和学习动机1

    1.1  引言1

    1.2  本书目标和特点4

    1.3  PGM介绍4

    1.3.1  PGM的主要问题5

    1.4  本书大纲6

    参考文献7

    第2章  基础概念9

    2.1  引言9

    2.2  随机变量与概率9

    2.2.1  随机变量与概率定义9

    2.2.2  基本的概率法则10

    2.2.3  独立性和条件独立性11

    2.2.4  均值、协方差、相关性和独立性11

    2.2.5  概率不等式13

    2.2.6  概率分布14

    2.3  基本的估计方法17

    2.3.1  极大似然法17

    2.3.2  贝叶斯估计法19

    2.4  优化方法19

    2.4.1  连续优化19

    2.4.2  离散优化21

    2.5  采样和样本估计21

    2.5.1  采样技术21

    2.5.2  样本估计22

    参考文献23

    第3章  有向概率图模型25

    3.1  引言25

    3.2  贝叶斯网络25

    3.2.1  BN表示25

    3.2.2  BN的特性27

    3.2.3  贝叶斯网络的类型29

    3.3  BN推理34

    3.3.1  精确推理方法35

    3.3.2  近似推理方法47

    3.3.3  高斯BN的推理55

    3.3.4  贝叶斯推理56

    3.3.5  不确定证据下的推理57

    3.4  完全数据下的BN学习57

    3.4.1  参数学习58

    3.4.2  结构学习63

    3.5  缺失数据下的BN学习69

    3.5.1  参数学习69

    3.5.2  结构学习75

    3.6  人工贝叶斯网络规范76

    3.7  动态贝叶斯网络77

    3.7.1  简介77

    3.7.2  学习和推理79

    3.7.3  特殊的DBN81

    3.8  分层贝叶斯网络91

    3.8.1  分层贝叶斯模型91

    3.8.2  分层深层模型95

    3.8.3  混合分层模型98

    3.9  附录99

    3.9.1  式(3.63)证明99

    3.9.2  高斯贝叶斯网络证明100

    3.9.3  拉普拉斯近似102

    参考文献102

    第4章  无向概率图模型107

    4.1  引言107

    4.1.1  定义和性质107

    4.2  成对马尔可夫网络110

    4.2.1  离散成对马尔可夫网络110

    4.2.2  标记观测马尔可夫网络111

    4.2.3  高斯马尔可夫网络112

    4.2.4  受限玻尔兹曼机113

    4.3  条件随机场114

    4.4  高阶长程马尔可夫网络116

    4.5  马尔可夫网络推理117

    4.5.1  精确推理方法117

    4.5.2  近似推理方法120

    4.5.3  其他MN推理方法122

    4.6  马尔可夫网络学习123

    4.6.1  参数学习123

    4.6.2  结构学习129

    4.7  马尔可夫网络与贝叶斯网络131

    参考文献132

    第5章  计算机视觉应用135

    5.1  引言135

    5.2  用于低级计算机视觉任务的PGM135

    5.2.1  图像分割135

    5.2.2  图像去噪136

    5.2.3  用MRF标记图像136

    5.2.4  用CRF进行图像分割141

    5.2.5  用贝叶斯网络进行图像分割145

    5.3  用于中级计算机视觉任务的PGM149

    5.3.1  目标检测与识别149

    5.3.2  场景识别165

    5.3.3  目标追踪167

    5.3.4  三维重建和立体视觉177

    5.4  用于高级计算机视觉任务的PGM184

    5.4.1  面部表情识别184

    5.4.2  人类活动识别187

    5.4.3  为人类活动识别刻画上下文208

    参考文献212

    索引220
查看详情
12
相关图书 / 更多
概率图模型及计算机视觉应用
概率论与数理统计
刘树德 著
概率图模型及计算机视觉应用
概率论(普通高等教育农业农村部十三五规划教材)
吴瑞武、左珊珊 编
概率图模型及计算机视觉应用
概率论与数理统计辅导及习题精解(浙大第五版)
张天德 著
概率图模型及计算机视觉应用
概率论与数理统计(第2版)
梁建英 陈英伟
概率图模型及计算机视觉应用
概率论与数理统计
周钰谦;王凤琼
概率图模型及计算机视觉应用
概率论与数理统计(第二版)
刘中强;李文玲
概率图模型及计算机视觉应用
概率论与数理统计(第2版普通高等教育农业农村部十三五规划教材)
胡菊华、曾海福 编
概率图模型及计算机视觉应用
概率论与数理统计学习指导与典型题详解(第二版)
刘禄勤 编著;王文祥;余长安;龚小庆
概率图模型及计算机视觉应用
概率论与数理统计习题课教程(第二版)
王玉宝;徐建豪
概率图模型及计算机视觉应用
概率论与数理统计习题集
蔡高玉、沈仙华、张慧、赵青青、赵化娇 著
概率图模型及计算机视觉应用
概率与统计:计算机科学视角
[美]大卫·福赛斯(David Forsyth) 著;张文博、周清、杨建奎 译
概率图模型及计算机视觉应用
概率统计的秘密
彭海燕
您可能感兴趣 / 更多
概率图模型及计算机视觉应用
活生生的尤物:亨利·詹姆斯短篇小说精选(美国文学大师短篇小说代表作,博尔赫斯推崇备至的短篇范本)
[美]亨利·詹姆斯 著;吴建国 译
概率图模型及计算机视觉应用
愤怒的葡萄(外国文学名著丛书 怀旧网格本)
[美]约翰·斯坦贝克 著;胡仲持 译
概率图模型及计算机视觉应用
这一切
[美]詹姆斯·索特 著;理想国 出品
概率图模型及计算机视觉应用
几米:我可以做一切
[美]杰瑞 文;幾米 绘
概率图模型及计算机视觉应用
乞力马扎罗的雪:海明威短篇小说精选(诺贝尔文学奖得主海明威短篇小说代表作,完美呈现其简净朴素的写作风格)
[美]海明威
概率图模型及计算机视觉应用
执行力一百分·高效能儿童这样做
[美]布赖恩·史密斯
概率图模型及计算机视觉应用
会检查,更自信·高效能儿童这样做
[美]布赖恩·史密斯
概率图模型及计算机视觉应用
解决问题有办法·高效能儿童这样做
[美]布赖恩·史密斯
概率图模型及计算机视觉应用
做计划大挑战·高效能儿童这样做
[美]布赖恩·史密斯
概率图模型及计算机视觉应用
营养与健康(第5版)
[美]Joan Salge Blake(琼·萨尔格·布莱克
概率图模型及计算机视觉应用
和没条理说再见·高效能儿童这样做
[美]布赖恩·史密斯
概率图模型及计算机视觉应用
情绪管理我能行·高效能儿童这样做
[美]布赖恩·史密斯