【有庫存】NT售價: 495 元
本書是美國倫斯勒理工學院(Rensselaer Polytechnic Institute, RPI)紀強(Qiang Ji)教授專門為概率圖模型編寫的一本專著。本書介紹了計算機視覺中的概率圖模型(PGM),討論了PGM及其在解決計算機視覺中存在的問題,提供了基本概念、定義和屬性。專注于PGM的理論,以偽代碼和推導的方式對PGM進行了詳細的解釋。
第1章 知識背景和學習動機11.1 引言11.2 本書目標和特點41.3 PGM介紹41.3.1 PGM的主要問題51.4 本書大綱6參考文獻7第2章 基礎概念92.1 引言92.2 隨機變量與概率92.2.1 隨機變量與概率定義92.2.2 基本的概率法則102.2.3 獨立性和條件獨立性112.2.4 均值、協方差、相關性和獨立性112.2.5 概率不等式132.2.6 概率分布142.3 基本的估計方法172.3.1 極大似然法172.3.2 貝葉斯估計法192.4 優化方法192.4.1 連續優化192.4.2 離散優化212.5 采樣和樣本估計212.5.1 采樣技術212.5.2 樣本估計22參考文獻23第3章 有向概率圖模型253.1 引言253.2 貝葉斯網絡253.2.1 BN表示253.2.2 BN的特性273.2.3 貝葉斯網絡的類型293.3 BN推理343.3.1 精確推理方法353.3.2 近似推理方法473.3.3 高斯BN的推理553.3.4 貝葉斯推理563.3.5 不確定證據下的推理573.4 完全數據下的BN學習573.4.1 參數學習583.4.2 結構學習633.5 缺失數據下的BN學習693.5.1 參數學習693.5.2 結構學習753.6 人工貝葉斯網絡規范763.7 動態貝葉斯網絡773.7.1 簡介773.7.2 學習和推理793.7.3 特殊的DBN813.8 分層貝葉斯網絡913.8.1 分層貝葉斯模型913.8.2 分層深層模型953.8.3 混合分層模型983.9 附錄993.9.1 式(3.63)證明993.9.2 高斯貝葉斯網絡證明1003.9.3 拉普拉斯近似102參考文獻102第4章 無向概率圖模型1074.1 引言1074.1.1 定義和性質1074.2 成對馬爾可夫網絡1104.2.1 離散成對馬爾可夫網絡1104.2.2 標記觀測馬爾可夫網絡1114.2.3 高斯馬爾可夫網絡1124.2.4 受限玻爾茲曼機1134.3 條件隨機場1144.4 高階長程馬爾可夫網絡1164.5 馬爾可夫網絡推理1174.5.1 精確推理方法1174.5.2 近似推理方法1204.5.3 其他MN推理方法1224.6 馬爾可夫網絡學習1234.6.1 參數學習1234.6.2 結構學習1294.7 馬爾可夫網絡與貝葉斯網絡131參考文獻132第5章 計算機視覺應用1355.1 引言1355.2 用于低級計算機視覺任務的PGM1355.2.1 圖像分割1355.2.2 圖像去噪1365.2.3 用MRF標記圖像1365.2.4 用CRF進行圖像分割1415.2.5 用貝葉斯網絡進行圖像分割1455.3 用于中級計算機視覺任務的PGM1495.3.1 目標檢測與識別1495.3.2 場景識別1655.3.3 目標追蹤1675.3.4 三維重建和立體視覺1775.4 用于高級計算機視覺任務的PGM1845.4.1 面部表情識別1845.4.2 人類活動識別1875.4.3 為人類活動識別刻畫上下文208參考文獻212索引220