Probabilistic models of vision and max-margin methods
摘要
以概率模型在图上被定义的概率的评价在计算机视觉和相关的地提出问题是吸引人的，例如语法。图形的结构，和州的变量在他们上定义，给能描述对象和图象的复杂结构的一个富有的知识代表。在图上定义的概率分布捕获这些结构的统计可变性。这些概率模型能从与管理的有限数量训练数据被学习。但是学习这些模型受不了评估正规化常数，或分区功能的困难，能极其计算地费力的概率分布。这份报纸证明由把界限放在正规化常数上，我们能获得计算地易控制的近似。为损失功能的某些选择，令人惊讶地，我们在支持向量机器(SVM ) 使用的标准最大边缘标准获得许多，因此，我们把学习归结为标准机器学习方法。我们证明许多机器学习方法能包括多班最大边缘，顺序的回归，最大边缘 Markov 网络和分析器作为近似这样被获得到概率的方法，多重例子的学习，并且潜伏的 SVM。我们包括图象标记，对象察觉和本地化由计算机视觉应用程序说明这个工作，并且打手势评价。我们更好推测那结果能被使用更好的界限和近似获得。
引用本文（GB/T 7714）
Alan Alan, Yuille, Xuming, 等. Probabilistic models of vision and max-margin methods[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2012.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。