概率圖模型及計算機視覺應用

譯者序
第1章 知識背景和學習動機1
1.1 引言1
1.2 本書目標和特點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7
第2章 基礎概念9
2.1 引言9
2.2 隨機變量與概率9
2.2.1 隨機變量與概率定義9
2.2.2 基本的概率法則10
2.2.3 獨立性和條件獨立性11
2.2.4 均值、協(xié)方差、相關性和獨立性11
2.2.5 概率不等式13
2.2.6 概率分布14
2.3 基本的估計方法17
2.3.1 極大似然法17
2.3.2 貝葉斯估計法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21
2.5.1 采樣技術21
2.5.2 樣本估計22
參考文獻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學習57
3.4.1 參數(shù)學習58
3.4.2 結(jié)構學習63
3.5 缺失數(shù)據(jù)下的BN學習69
3.5.1 參數(shù)學習69
3.5.2 結(jié)構學習75
3.6 人工貝葉斯網(wǎng)絡規(guī)范76
3.7 動態(tài)貝葉斯網(wǎng)絡77
3.7.1 簡介77
3.7.2 學習和推理79
3.7.3 特殊的DBN81
3.8 分層貝葉斯網(wǎng)絡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)絡證明100
3.9.3 拉普拉斯近似102
參考文獻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110
4.2.1 離散成對馬爾可夫網(wǎng)絡110
4.2.2 標記觀測馬爾可夫網(wǎng)絡111
4.2.3 高斯馬爾可夫網(wǎng)絡112
4.2.4 受限玻爾茲曼機113
4.3 條件隨機場114
4.4 高階長程馬爾可夫網(wǎng)絡116
4.5 馬爾可夫網(wǎng)絡推理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)絡學習123
4.6.1 參數(shù)學習123
4.6.2 結(jié)構學習129
4.7 馬爾可夫網(wǎng)絡與貝葉斯網(wǎng)絡131
參考文獻132
第5章 計算機視覺應用135
5.1 引言135
5.2 用于低級計算機視覺任務的PGM135
5.2.1 圖像分割135
5.2.2 圖像去噪136
5.2.3 用MRF標記圖像136
5.2.4 用CRF進行圖像分割141
5.2.5 用貝葉斯網(wǎng)絡進行圖像分割145
5.3 用于中級計算機視覺任務的PGM149
5.3.1 目標檢測與識別149
5.3.2 場景識別165
5.3.3 目標追蹤167
5.3.4 三維重建和立體視覺177
5.4 用于高級計算機視覺任務的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212
索引220