条件付き確率場の推論と学習
- 2. 目次
1. コンピュータビジョンと条件付き確率場
2. マルコフ確率場
3. 最適化手法
1. 平均場近似
2. 確率伝搬法(max-product, sum-product)
4. 条件付き確率場とその学習
参考文献
Conditional Random Fields(CVPR2011 Tutorial)
http://www.nowozin.net/sebastian/cvpr2011tutorial/slides/talk-crf.pdf
Understanding Belief Propagation and Its Generalizations
http://www.merl.com/papers/docs/TR2001-22.pdf
- 8. Face Detection, Pose Estimation, and Landmark
Zhu et. al. CVPR2012
Localization in the Wild
• 写真から複数の顔の位置,
表情を認識
• 顔のパーツ位置同士の関係
を平滑化項として指定
• 木構造のGaussian MRFを
利用,ピーク位置をExact
に求めている
- 9. Efficient Inference in Fully-Connected CRFs
Krahenbuhl et. al. NIPS2010
with Gaussian Edge Potentials
•
•
•
•
ピクセル毎の一般物体認識
すべての画素がすべての画素に接続(Fully-Connected CRF)
平均場近似を用いて畳み込み積分の形に変形,高速に推論可能
学習は平均場近似を用いた近似学習
- 12. Pairwise Markov Random Field
MRFの多くは,全体の結合確率分布を以下で表現する:
エネルギー関数
ボルツマン分布
分配関数(partition function)
(エネルギーが低いほど
確率は高くなる)
ここで,E(x)は次の形をとる:
データ項
平滑化項