概率圖模型及計(jì)算機(jī)視覺應(yīng)用

譯者序
第1章 知識背景和學(xué)習(xí)動機(jī)1
1.1 引言1
1.2 本書目標(biāo)和特點(diǎn)4
1.3 PGM介紹4
1.3.1 PGM的主要問題5
1.4 本書大綱6
參考文獻(xiàn)7
第2章 基礎(chǔ)概念9
2.1 引言9
2.2 隨機(jī)變量與概率9
2.2.1 隨機(jī)變量與概率定義9
2.2.2 基本的概率法則10
2.2.3 獨(dú)立性和條件獨(dú)立性11
2.2.4 均值、協(xié)方差、相關(guān)性和獨(dú)立性11
2.2.5 概率不等式13
2.2.6 概率分布14
2.3 基本的估計(jì)方法17
2.3.1 極大似然法17
2.3.2 貝葉斯估計(jì)法19
2.4 優(yōu)化方法19
2.4.1 連續(xù)優(yōu)化19
2.4.2 離散優(yōu)化21
2.5 采樣和樣本估計(jì)21
2.5.1 采樣技術(shù)21
2.5.2 樣本估計(jì)22
參考文獻(xiàn)23
第3章 有向概率圖模型25
3.1 引言25
3.2 貝葉斯網(wǎng)絡(luò)25
3.2.1 BN表示25
3.2.2 BN的特性27
3.2.3 貝葉斯網(wǎng)絡(luò)的類型29
3.3 BN推理34
3.3.1 精確推理方法35
3.3.2 近似推理方法47
3.3.3 高斯BN的推理55
3.3.4 貝葉斯推理56
3.3.5 不確定證據(jù)下的推理57
3.4 完全數(shù)據(jù)下的BN學(xué)習(xí)57
3.4.1 參數(shù)學(xué)習(xí)58
3.4.2 結(jié)構(gòu)學(xué)習(xí)63
3.5 缺失數(shù)據(jù)下的BN學(xué)習(xí)69
3.5.1 參數(shù)學(xué)習(xí)69
3.5.2 結(jié)構(gòu)學(xué)習(xí)75
3.6 人工貝葉斯網(wǎng)絡(luò)規(guī)范76
3.7 動態(tài)貝葉斯網(wǎng)絡(luò)77
3.7.1 簡介77
3.7.2 學(xué)習(xí)和推理79
3.7.3 特殊的DBN81
3.8 分層貝葉斯網(wǎng)絡(luò)91
3.8.1 分層貝葉斯模型91
3.8.2 分層深層模型95
3.8.3 混合分層模型98
3.9 附錄99
3.9.1 式（3.63）證明99
3.9.2 高斯貝葉斯網(wǎng)絡(luò)證明100
3.9.3 拉普拉斯近似102
參考文獻(xiàn)102
第4章 無向概率圖模型107
4.1 引言107
4.1.1 定義和性質(zhì)107
4.2 成對馬爾可夫網(wǎng)絡(luò)110
4.2.1 離散成對馬爾可夫網(wǎng)絡(luò)110
4.2.2 標(biāo)記觀測馬爾可夫網(wǎng)絡(luò)111
4.2.3 高斯馬爾可夫網(wǎng)絡(luò)112
4.2.4 受限玻爾茲曼機(jī)113
4.3 條件隨機(jī)場114
4.4 高階長程馬爾可夫網(wǎng)絡(luò)116
4.5 馬爾可夫網(wǎng)絡(luò)推理117
4.5.1 精確推理方法117
4.5.2 近似推理方法120
4.5.3 其他MN推理方法122
4.6 馬爾可夫網(wǎng)絡(luò)學(xué)習(xí)123
4.6.1 參數(shù)學(xué)習(xí)123
4.6.2 結(jié)構(gòu)學(xué)習(xí)129
4.7 馬爾可夫網(wǎng)絡(luò)與貝葉斯網(wǎng)絡(luò)131
參考文獻(xiàn)132
第5章 計(jì)算機(jī)視覺應(yīng)用135
5.1 引言135
5.2 用于低級計(jì)算機(jī)視覺任務(wù)的PGM135
5.2.1 圖像分割135
5.2.2 圖像去噪136
5.2.3 用MRF標(biāo)記圖像136
5.2.4 用CRF進(jìn)行圖像分割141
5.2.5 用貝葉斯網(wǎng)絡(luò)進(jìn)行圖像分割145
5.3 用于中級計(jì)算機(jī)視覺任務(wù)的PGM149
5.3.1 目標(biāo)檢測與識別149
5.3.2 場景識別165
5.3.3 目標(biāo)追蹤167
5.3.4 三維重建和立體視覺177
5.4 用于高級計(jì)算機(jī)視覺任務(wù)的PGM184
5.4.1 面部表情識別184
5.4.2 人類活動識別187
5.4.3 為人類活動識別刻畫上下文208
參考文獻(xiàn)212
索引220