33、基于概率图模型的复杂区域检测与长期行为识别

基于概率图模型的复杂区域检测与长期行为识别

上半部分

1. 概率图模型相关研究

在概率图模型领域，对空间结构进行建模的研究在编码空间信息的表示方法和学习方法上存在差异。生成的图模型的推理依赖于研究中的模型选择，可视为一个依赖表示的步骤。

• Porway等人的研究 ：采用上下文和分层表示以及关系学习过程，提出了贝叶斯推理算法。其基于语法的分层和上下文模型用于对象识别，将随机上下文无关语法（SCFG）与马尔可夫随机场（MRF）相结合，捕捉局部和全局上下文，将自下而上的信息与自上而下的知识相结合。该模型还使用极小极大熵框架学习图像类不同部分之间外观和关系的统计约束。
• 基于CRF层次结构的对象检测模型 ：通过条件随机场（CRF）的层次结构提出了基于区域和对象的对象检测模型。底层以像素为概率图模型节点，提取像素级特征；中层以片段为模型节点，通过区域统计揭示片段之间的上下文关系；顶层连接片段和对象，尝试从对象的位置关系中提取对象之间的上下文关系。该模型使用条件MRF（CRF），通过逻辑回归用标记图像进行训练，并使用爬山法进行推理。
• 上下文概念融合模型 ：Jiang等人提出了基于上下文的概念融合模型用于语义概念检测，将多个分类器的后验概率输入到全连接的CRF模型中，生成更新后的后验概率。
• 支持向量随机场模型 ：Lee等人提出了支持向量随机场（SVRF）模型，将CRF对不同类型空间依赖关系的建模能力与支持向量机（SVM）的泛化特性相结合。