欢迎光临澳大利亚新华书店网 [登录 | 免费注册]

    • 概率图模型及计算机视觉应用/智能科学与技术丛书
      • 作者:(美)纪强|责编:王春华//刘锋|译者:郭涛
      • 出版社:机械工业
      • ISBN:9787111690320
      • 出版日期:2021/09/01
      • 页数:227
    • 售价:39.6
  • 内容大纲

        本书介绍概率图模型(PGM)及其在计算机视觉问题中的应用,以及不同类型PGM的成熟理论,包括有向和无向PGM,如贝叶斯网络、马尔可夫网络及它们的变体。本书涵盖概率图模型的基本定义、概念、性质,以及用于PGM学习和数据推理的经典算法,还介绍了从PGM应用到广泛计算机视觉任务的大量内容。
        本书特点:
        讨论有向和无向PGM的概念和性质。
        聚焦经典的PGM学习和推理算法,并配有相应的伪代码。
        涵盖计算机视觉任务,包括图像去噪和分割,目标检测、跟踪、识别,三维重建,人体手势,行为和活动识别。
        包括经典PGM模型、算法及其在计算机视觉方面应用的大量参考文献清单。
        本书适合研究计算机视觉、图像处理和医学成像的工程师、计算机科学家和统计学家阅读。
  • 作者介绍

  • 目录

    译者序
    第1章  知识背景和学习动机
      1.1  引言
      1.2  本书目标和特点
      1.3  PGM介绍
        1.3.1  PGM的主要问题
      1.4  本书大纲
      参考文献
    第2章  基础概念
      2.1  引言
      2.2  随机变量与概率
        2.2.1  随机变量与概率定义
        2.2.2  基本的概率法则
        2.2.3  独立性和条件独立性
        2.2.4  均值、协方差、相关性和独立性
        2.2.5  概率不等式
        2.2.6  概率分布
      2.3  基本的估计方法
        2.3.1  极大似然法
        2.3.2  贝叶斯估计法
      2.4  优化方法
        2.4.1  连续优化
        2.4.2  离散优化
      2.5  采样和样本估计
        2.5.1  采样技术
        2.5.2  样本估计
      参考文献
    第3章  有向概率图模型
      3.1  引言
      3.2  贝叶斯网络
        3.2.1  BN表示
        3.2.2  BN的特性
        3.2.3  贝叶斯网络的类型
      3.3  BN推理
        3.3.1  精确推理方法
        3.3.2  近似推理方法
        3.3.3  高斯BN的推理
        3.3.4  贝叶斯推理
        3.3.5  不确定证据下的推理
      3.4  完全数据下的BN学习
        3.4.1  参数学习
        3.4.2  结构学习
      3.5  缺失数据下的BN学习
        3.5.1  参数学习
        3.5.2  结构学习
      3.6  人工贝叶斯网络规范
      3.7  动态贝叶斯网络
        3.7.1  简介
        3.7.2  学习和推理
        3.7.3  特殊的DBN

      3.8  分层贝叶斯网络
        3.8.1  分层贝叶斯模型
        3.8.2  分层深层模型
        3.8.3  混合分层模型
      3.9  附录
        3.9.1  式(3.63)证明
        3.9.2  高斯贝叶斯网络证明
        3.9.3  拉普拉斯近似
      参考文献
    第4章  无向概率图模型
      4.1  引言
        4.1.1  定义和性质
      4.2  成对马尔可夫网络
        4.2.1  离散成对马尔可夫网络
        4.2.2  标记观测马尔可夫网络
        4.2.3  高斯马尔可夫网络
        4.2.4  受限玻尔兹曼机
      4.3  条件随机场
      4.4  高阶长程马尔可夫网络
      4.5  马尔可夫网络推理
        4.5.1  精确推理方法
        4.5.2  近似推理方法
        4.5.3  其他MN推理方法
      4.6  马尔可夫网络学习
        4.6.1  参数学习
        4.6.2  结构学习
      4.7  马尔可夫网络与贝叶斯网络
      参考文献
    第5章  计算机视觉应用
      5.1  引言
      5.2  用于低级计算机视觉任务的PGM
        5.2.1  图像分割
        5.2.2  图像去噪
        5.2.3  用MRF标记图像
        5.2.4  用CRF进行图像分割
        5.2.5  用贝叶斯网络进行图像分割
      5.3  用于中级计算机视觉任务的PGM
        5.3.1  目标检测与识别
        5.3.2  场景识别
        5.3.3  目标追踪
        5.3.4  三维重建和立体视觉
      5.4  用于高级计算机视觉任务的PGM
        5.4.1  面部表情识别
        5.4.2  人类活动识别
        5.4.3  为人类活动识别刻画上下文
      参考文献
    索引