培训 - jdl联合实验室.ppt

第一行开始三个不同的初始分割 右边是能量变化-log(P(W|I))随时间变化的曲线 下边一行是K-adventure的结果 * Gama是唯一的自由参数，Garma越大，越倾向于coarse的分割 * * * * * * * * 讨论 未来的工作方向： 融合其他的图像模型 结合特定任务 提高DDMCMC收敛速度 * * 谢谢！ * * * * * MDL(Minimum description length),criteria * * * * Regions are treated as discrete label maps (easier for maintaining topology) Boundaries are treated as continuous (easier for diffusion) * We will characterize the space of all segmentations in a future slide * The product in the prior corresponds to the assumption that the prior for each region are independent. |\Theta_i| is the number of parameters of theta C is 0.9 (hard-coded) Gamma is the only free parameter (the only free parameter that they vary) What is \lambda_0 and \mu and \nu ? (not defined in the paper) * * * * Logp(W|I)加上一个布朗运动dB T（t）是一个随时间t下降的温度函数 * * How is this not greedy? It appears to be greedy. * q(3) is just the probability of choosing dynamics 3 Metropolis hasting 算法，需要两个提议概率G(W-W’) 表示Markov链中，W变W’状态的条件概率 G(W’-W) 跳转到哪个状态呢？ 对状态按照概率G(W-W’)来采样，要求 * q(3) is just the probability of choosing dynamics 3 * q(5) is just the probability of choosing dynamics 5 * * 实质：许多高斯模型的加权和 对整个图像进行GMM聚类，得到多个Gauss模型。 Saliency maps 是这个图像在各个模型下的概率图 * * 每个模型都可以在当前region的每个像素得到一个实数值投票，即该像素由该模型产生的概率 计算所有点在当前模型下产生的概率和。 计算所有模型在当前region的概率和。 得到p（i），越大月可能被选为模型。 最后式子给出了如何提议一个模型 * 一个分割到另一个分割的距离计算见文献[21] * Delta(R)是R由内部的边缘线分割成的区域的集合 * * * 5个Markov动态变化 分别按照q(1),…,q(5)的概率采纳五种动态变化模式 5个Markov动态 边界扩散（Boundary Diffusion） 模型调整（Model Adaptation） 分裂区域（Split Region） 合并区域（Merge Region） 转换区域模型（Switch Region Model） * * diffusion jumps 1.Boundary Diffusion or Competition 用连续的边界表示区域Ri (I = 1,…, K). 利用一个区域补齐方程（参见文献[29]），以最大化某个后验概率为目标，以此使得曲线不断变化。 向着下式上升最快的地方。 在 空间内扩散 * * Boundary Between Regions i and j Brownian Motion Along Curve Normal Temperature Decreases over Time 2. Model Adaptation 通过最大化后验概率上升速度，拟合区域参数 在 空间内部进行扩散 3-4. Split and Merge 将目标区域分裂为两个区域： Me