概率图模型及计算机视觉应用

本书是美国伦斯勒理工学院（Rensselaer Polytechnic Institute, RPI）纪强（Qiang Ji）教授专门为概率图模型编写的一本专著。本书介绍了计算机视觉中的概率图模型（PGM），讨论了PGM及其在解决计算机视觉中存在的问题，提供了基本概念、定义和属性。专注于PGM的理论，以伪代码和推导的方式对PGM进行了详细的解释。

译者序<br/>第1章 知识背景和学习动机1<br/>1.1 引言1<br/>1.2 本书目标和特点4<br/>1.3 PGM介绍4<br/>1.3.1 PGM的主要问题5<br/>1.4 本书大纲6<br/>参考文献7<br/>第2章 基础概念9<br/>2.1 引言9<br/>2.2 随机变量与概率9<br/>2.2.1 随机变量与概率定义9<br/>2.2.2 基本的概率法则10<br/>2.2.3 独立性和条件独立性11<br/>2.2.4 均值、协方差、相关性和独立性11<br/>2.2.5 概率不等式13<br/>2.2.6 概率分布14<br/>2.3 基本的估计方法17<br/>2.3.1 极大似然法17<br/>2.3.2 贝叶斯估计法19<br/>2.4 优化方法19<br/>2.4.1 连续优化19<br/>2.4.2 离散优化21<br/>2.5 采样和样本估计21<br/>2.5.1 采样技术21<br/>2.5.2 样本估计22<br/>参考文献23<br/>第3章 有向概率图模型25<br/>3.1 引言25<br/>3.2 贝叶斯网络25<br/>3.2.1 BN表示25<br/>3.2.2 BN的特性27<br/>3.2.3 贝叶斯网络的类型29<br/>3.3 BN推理34<br/>3.3.1 精确推理方法35<br/>3.3.2 近似推理方法47<br/>3.3.3 高斯BN的推理55<br/>3.3.4 贝叶斯推理56<br/>3.3.5 不确定证据下的推理57<br/>3.4 完全数据下的BN学习57<br/>3.4.1 参数学习58<br/>3.4.2 结构学习63<br/>3.5 缺失数据下的BN学习69<br/>3.5.1 参数学习69<br/>3.5.2 结构学习75<br/>3.6 人工贝叶斯网络规范76<br/>3.7 动态贝叶斯网络77<br/>3.7.1 简介77<br/>3.7.2 学习和推理79<br/>3.7.3 特殊的DBN81<br/>3.8 分层贝叶斯网络91<br/>3.8.1 分层贝叶斯模型91<br/>3.8.2 分层深层模型95<br/>3.8.3 混合分层模型98<br/>3.9 附录99<br/>3.9.1 式（3.63）证明99<br/>3.9.2 高斯贝叶斯网络证明100<br/>3.9.3 拉普拉斯近似102<br/>参考文献102<br/>第4章 无向概率图模型107<br/>4.1 引言107<br/>4.1.1 定义和性质107<br/>4.2 成对马尔可夫网络110<br/>4.2.1 离散成对马尔可夫网络110<br/>4.2.2 标记观测马尔可夫网络111<br/>4.2.3 高斯马尔可夫网络112<br/>4.2.4 受限玻尔兹曼机113<br/>4.3 条件随机场114<br/>4.4 高阶长程马尔可夫网络116<br/>4.5 马尔可夫网络推理117<br/>4.5.1 精确推理方法117<br/>4.5.2 近似推理方法120<br/>4.5.3 其他MN推理方法122<br/>4.6 马尔可夫网络学习123<br/>4.6.1 参数学习123<br/>4.6.2 结构学习129<br/>4.7 马尔可夫网络与贝叶斯网络131<br/>参考文献132<br/>第5章 计算机视觉应用135<br/>5.1 引言135<br/>5.2 用于低级计算机视觉任务的PGM135<br/>5.2.1 图像分割135<br/>5.2.2 图像去噪136<br/>5.2.3 用MRF标记图像136<br/>5.2.4 用CRF进行图像分割141<br/>5.2.5 用贝叶斯网络进行图像分割145<br/>5.3 用于中级计算机视觉任务的PGM149<br/>5.3.1 目标检测与识别149<br/>5.3.2 场景识别165<br/>5.3.3 目标追踪167<br/>5.3.4 三维重建和立体视觉177<br/>5.4 用于高级计算机视觉任务的PGM184<br/>5.4.1 面部表情识别184<br/>5.4.2 人类活动识别187<br/>5.4.3 为人类活动识别刻画上下文208<br/>参考文献212<br/>索引220