2、模式识别中的估计、学习与自适应：随使用而改进的系统

模式识别中的估计、学习与自适应：随使用而改进的系统

在模式识别领域，单一模式自动分类（标记）的准确性，尤其是印刷、手写印刷或手写字符的分类准确性，已趋于平稳。要进一步提高准确性，就需要对模式序列进行分类。下面将从人物贡献和相关技术探索两方面展开介绍。

1. 皮埃尔·德维杰（Pierre Devijver）的贡献

皮埃尔·德维杰是一位成就斐然的人，在统计模式识别领域有着诸多重要贡献，我有幸能在他的影响下谈论我喜爱的统计模式识别话题。我与他在多个会议上相遇，相似的技术兴趣和午餐散步的偏好促进了我们的交流。

• 连通组件（Connected Components）
  多年来，德维杰 - 龙斯（Devijver - Ronse）关于连通组件检测的专著是该领域唯一的书籍。它阐述了在追踪连通组件（CC）时的高效磁盘访问方法。皮埃尔预见到连通组件检测将成为文档图像分析的基石，尽管当时扫描页面只有一小部分能放入主内存。
• 马尔可夫算法（Markov Algorithms）
  1966 年，约瑟夫·拉维夫（Joseph Raviv）在一阶马尔可夫链假设下，设计了一种迭代算法，利用二元和三元类转移概率表，将先前模式的特征向量信息转换为当前模式的先验概率。1984 年国际模式识别会议（ICPR）上，皮埃尔将其扩展，通过增加迭代反向传递，考虑了任意数量后续模式的信息。随后，他通过计算联合概率而非条件概率，提高了鲍姆（Baum）隐马尔可夫模型（HMM）训练算法的数值稳定性。当时他就对用于图像处理的马尔可夫网格和马尔可夫随机场（MRF）感兴趣，避免了仅适用于一维的假设。