机器学习及其在图像处理中的应用-Dosrc.PDFVIP

机机机 器器器学学学习习习及及及其其其在在在 图图图像像像处处处理理理 中中中的的的应应应用用用 / 摘摘摘要要要 本 文为读 书报告 ，介 绍 了机 器学期 的 两个大的分 支概 率 图模型和 深度 学 习，其 中概 率图模型主要介绍 了什么是概 率图模型 ，怎么表示 ，独立性相 关概念 。文中介绍 了概 率图模型 中两个主要的模型 ，有 向图的 贝叶斯模型 和 无向图的马 尔可夫模型 以及马 尔可夫模型在 图像处理 中的应用 。深度 学 习方面介 绍 了两个重要的模型BP神 经 网络和 卷神 经 网络 ，稍微介 绍 了递 归神经 网络 。卷积神经 网络在 图像识别上应用的非常广泛 ，文末介绍 了如 何将卷积神经 网络应用与图像 目标检测 ，并阐述 了卷积神经 网络的现 实意 义 。 1 概概概率率率图图图模模模型型型简简简介介介 表示 、推理和 学习是构建智能系统的关键部分 ，概 率图模型是能支持这三种功能的极 少框 架之一 。 概 率图模型分为用有 向图表示的 贝叶斯 网络和 用无向图表示的马 尔可夫 网，这 两种模型表 示都给 出了独立关系和 因子分解的对偶型 。 如如如何何何表表表示示示 我们 的目的是在 某个随机 变量的集合 上表 示联合分布概 率P 。原 来的联 合分布需要列 出每个 变量的 变化组合 ，在表达方式上不够 紧凑 ，考虑到随机 变量的集合 中 存在一些独立 变量或者 条件独立 变量 ，可以将这些 变量分隔开来，这个想法类似于分隔噪 声域的思想，因为相对独立 变量之 间的取值互相不产生影响 。贝叶斯 网络的表达方式如下 图1所示 图 1: 概率图模型的贝叶斯 网图 当独立 变量的个数增 多时，联合分布表的表达方式规模会呈指数级增 大 。而采用概 率图模 型的 因子分解方式表示将独立 变量或条件独立 变量分隔开来，将规模计算 中的乘法转换为 加 法，表达方式 紧凑 。此外将相对独立的 变量分隔开带来 了另外一个好处就是表达更加模 块化 ，这样 当需要增加一个新的 变量时，只要这个 变量不是对所有其它的 变量都产生影响 就可以局部的更新概 率图模型 ，但 是联合分布表则必须整体 的更新 ，这一性质使得概 率图 模型更加贴近真实世界 ，对模拟真实系统非常有价值 。 1 2 贝贝贝叶叶叶斯斯斯 网网网络络络模模模型型型 2.1 朴朴朴 贝贝贝叶叶叶斯斯斯模模模型型型 朴 贝叶斯模型假设所有的事例属于若干类中的一个 ，这些类 包含所有情况且两两互斥 ， 如下图2所示 图 2: 朴 贝叶斯模型的贝叶斯 网图 该模型主要用于分类，此时注意朴 贝叶斯模型的前提假设 是只能属于其 中的一个类别 ， 我们可以计算 出分类决策的可信度 ，即模型相对于类 偏好于另一个类别 的程度 。 (1) 2.2 贝贝贝叶叶叶斯斯斯模模模型型型 贝叶斯 网与朴 贝叶斯模型一样都 是通过利用分布的独立性来获得 紧凑且 自然的表示