模型選擇問題是目前計(jì)算機(jī)視覺、圖像處理、機(jī)器學(xué)習(xí)領(lǐng)域中的經(jīng)典難題之一。模型選擇問題中的模型數(shù)量的選擇是重要的方面。相同問題,選擇不同的模型數(shù)量就會(huì)有不同的分類結(jié)果。對(duì)于統(tǒng)計(jì)特征比較明顯且穩(wěn)定的數(shù)據(jù),可以采用人工的方式指定類別數(shù),后續(xù)的聚類算法便可以通過計(jì)算得到效果良好的分類結(jié)果。貝葉斯非參數(shù)模型具有對(duì)輸入數(shù)據(jù)非參數(shù)無監(jiān)督自動(dòng)聚類效應(yīng),通過對(duì)給定數(shù)據(jù)的建模完成對(duì)輸入數(shù)據(jù)的動(dòng)態(tài)模型選擇,在近幾年的計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)領(lǐng)域受到研究人員關(guān)注。狄利克雷過程(Dirichlet Process)通常結(jié)合空間關(guān)系模型進(jìn)行研究,其中最具代表性的是隨機(jī)場(chǎng)與狄利克雷過程的結(jié)合。i HMRF(infinite Hidden Markov Random Fields)模型與MRF-DPMM(Markov Random Field-Dirichlet Process Mixture Model)模型是隨機(jī)場(chǎng)與狄利克雷過程結(jié)合比較經(jīng)典的模型。前者通過狄利克雷過程的stick-breaking構(gòu)造的離散概率作為隨機(jī)場(chǎng)的外場(chǎng),作為非參數(shù)先驗(yàn),與原來的利用均值場(chǎng)近似進(jìn)行模型構(gòu)建不同,本文的首先提出了以DPMM模型作為隨...

【文章頁數(shù)】：95 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
abstract of thesis
引言
    0.1 模型選擇概述
    0.2 模型選擇問題的研究現(xiàn)狀分析
    0.3 貝葉斯非參數(shù)模型
    0.4 本文研究?jī)?nèi)容及章節(jié)安排
1 貝葉斯非參數(shù)模型
    1.1 高斯混合模型
    1.2 狄利克雷分布
    1.3 狄利克雷分布的無限采樣方法
    1.4 狄利克雷過程
        1.4.1 狄利克雷過程的無限采樣算法
        1.4.2 狄利克雷過程混合模型
        1.4.3 狄利克雷過程高斯混合模型
    1.5 模型選擇實(shí)驗(yàn)
    1.6 本章小結(jié)
2 非參數(shù)馬爾可夫隨機(jī)場(chǎng)模型及推斷
    2.1 隨機(jī)場(chǎng)模型
        2.1.1 馬爾可夫隨機(jī)場(chǎng)
        2.1.2 隱馬爾可夫隨機(jī)場(chǎng)
    2.2 無限態(tài)隱馬爾可夫隨機(jī)場(chǎng)及推斷
    2.3 iHMRF模型的圖像分割實(shí)驗(yàn)
    2.4 本章小結(jié)
3 無限態(tài)隨機(jī)場(chǎng)模型的Swendsen-Wang割采樣
    3.1 馬爾可夫隨機(jī)場(chǎng)約束的狄利克雷過程模型
    3.2 基于Swendsen-Wang割采樣求解模型
        3.2.1 Gibbs采樣
        3.2.2 基于Swendsen-Wang割算法推斷
    3.3 DPMM-MRF模型的SWC采樣的圖像分割實(shí)驗(yàn)
    3.4 本章小結(jié)
4 分層非參數(shù)馬爾可夫隨機(jī)場(chǎng)模型及其推斷型
    4.1 空間距離依賴的中餐館過程模型
    4.2 分層非參數(shù)馬爾可夫隨機(jī)場(chǎng)模型
    4.3 分層非參數(shù)馬爾可夫隨機(jī)場(chǎng)模型的推斷
    4.4 HNMRF模型的圖像分割實(shí)驗(yàn)
    4.5 各模型的分析與比較
    4.6 HNMRF模型與深度學(xué)習(xí)的比較分析
    4.7 本章小結(jié)
5 HNMRF的應(yīng)用:MRI圖像分割
    5.1 MRI成像簡(jiǎn)介
    5.2 MRI圖像分割方法
    5.3 HNMRF分割MRI圖像
    5.4 MRI圖像分割結(jié)果及分析
    5.5 本章小結(jié)
6 結(jié)論與展望
參考文獻(xiàn)
在學(xué)研究成果
致謝
論文摘要



本文編號(hào)：3979703