7、复杂数据密度建模

复杂数据密度建模

1. 机器学习在视觉问题中的应用概述

在视觉问题中，机器学习技术可用于解决各类抽象问题。常见的模型类型有以下几种：
| 模型类型 | 具体模型 | 数据范围 | 世界状态范围 |
| — | — | — | — |
| 基于概率密度函数建模 | - | - | - |
| 线性回归 | 线性回归 | (x \in [-\infty, \infty], w \in [-\infty, \infty]) | - |
| 分类 | 逻辑回归 | (x \in [-\infty, \infty], w \in {0, 1}) | - |

此外，还有皮肤检测和背景减除等应用场景。

• 皮肤检测 ：像素级皮肤分割算法可用于人脸检测、手势分析和色情图像过滤等。影响最终结果质量的主要问题有像素颜色表示和分类算法。分类算法包括基于正态分布、正态分布混合、分类分布的生成方法，以及多层感知器等判别方法。
• 背景减除 ：是许多视觉系统的常见第一步，可快速识别图像中的感兴趣区域。生成分类系统基于正态分布、正态分布混合和核密度函数构建。当前研究主要关注在变化环境中维护背景模型，如自适应系统、利用子空间模型补偿光照变化，以及使用马尔可夫随机场估计整个标签场。

2. 复杂概率密度函数的构建

在之前的分类中，生成模型基于简单概率模型，如构建类条件密度函数 (Pr(x|w = k)) 。但之前介绍的概率分布有局限性，例如正态分布无法很好地描述视觉数据的复杂性。因此，我们引入隐藏变量的概