یاری فایل

جستجو

دربین هزاران فایل آماده دانلود فایل مورد نظر خود را جستجو کنید

پروژه بررسی مدل های گرافیکی و برخی استنباط های موجود و الگوریتم های یادگیری. doc

اختصاصی از یاری فایل پروژه بررسی مدل های گرافیکی و برخی استنباط های موجود و الگوریتم های یادگیری. doc دانلود با لینک مستقیم و پر سرعت .

پروژه بررسی مدل های گرافیکی و برخی استنباط های موجود و الگوریتم های یادگیری. doc


پروژه بررسی مدل های گرافیکی و برخی استنباط های موجود و الگوریتم های یادگیری. doc

 

 

 

 

 

 

نوع فایل: word

قابل ویرایش 130 صفحه

 

مقدمه:

در این فصل ما مدلهای گرافیکی را معرفی می کنیم و برخی استنباط های موجود و الگوریتم های یادگیری را بررسی می کنیم. ما مدلهای گرافیکی جهت دار و بدون جهت را بویژه مدل های گرافیکی گاوسی و ساختار گرافیکی را درنظر گرفتیم.

 

فهرست مطالب:

پیش زمینه

1. مدل های گرافیکی

1.1 MRFها

مدلهای گرافیکی ساختار درخت

شکل (الف)2.1 یک نمودار از گراف پراکنده را نشان می دهد. در شکل (ب)2.1 الگوی sparsity ی مربوط به ماتریس اطلاعات j نشان داده شده است.

شکل 2.2. مثال هایی از یک گراف (a) یک درخت بدون جهت (b) یک گراف بدون جهت با حلقه (c) درخت جهت دار (d) polytree (یک گراف بدون حلقه) (e) گراف مارپیچی جهت دار(DAG)

1.2. شبکه های بیزین

2. استنتاج مدل های گرافیکی

2.1.الگوریتم Belief Propagation (BP)

2.2. Belief Propagation for GMRFs

2.3. الگوریتم های تکراری استنتاج برای GMRF

3. یادگیری مدل های گرافیکی یادگیری

3.1.یادگیری مدلهای گرافیکی ساختار درختی

3.2. آموزش GMRFها

3.3. آموزش شبکه های بیزین

یادگیری مدلهای گرافیکی درخت پنهان

1. کار مرتبط

2. مدلهای گرافیکی درخت مخفی

2.1. توسعه حداقل درخت

گزاره 1.(توسعه حداقل درخت)

شکل1. مثالهایی از حداقل درخت پنهان. گرههای سایه دار قابل مشاهده و بدون سایه مخفی هستند. (الف) یک درخت قابل تشخیص (ب)یک درخت غیرقابل تشخیص است چون h4 و h5 کمتر از 3درجه دارد.

2.2.سازگاری

3.اطلاعات فاصله ها

3.1. تعریف اطلاعات فاصله

شکل2. مثالهایی رابرای هر مورد ازروابط نشان می دهد. برای هر یال ei ، اطلاعات فاصله مربوط به یال  می باشد.

3.2. تست روابط Inter-Node

شکل 4. این شکل مثالی از RG را نشان می دهد. خطوط کشی شده مجموعه فعال رادر هر تکرار نشان می دهد. (a)درخت پنهان اصلی. (b) خروجی بعداز اولین تکرار RG. (C) خروجی بعداز دومین تکرار RG. (D) خروجی بعداز سومین تکرار

تئوری 5: ( صحت و پیچیدگی محاسباتی RG)

5. الگوریتم گروهبندی CL با توجه به اطلاعات فاصله ها

5.1. درخت Chow-Liu

5.2.رابطه درخت پنهان و درخت Chow-Liu (MST)

5.3. الگوریتم Chow-Liu Blind برای یک زیرکلاس از درخت پنهان

شکل 5. تصویر CLBlind.گرههای سایه دار،گرههای آشکار و بقیه گرههای مخفی هستند. (a)درخت مخفی اصلی، (b) درخت Chow-Liu روی گرههای مشاهده شده، (c) گره 3 ورودی blind است، (d) خروجی بعداز تحول blind (e) گره 2 خروجی تحول blind، (f) خروجی بعداز تحول blind که همان درخت نهفته اصلی است.

5.4. الگوریتم گروهبندی Chow-Liu

5.5. گسترش مدلهای گسسته عمومی

6. الگوریتم های Sample-Based برای آموزش ساختار درخت پنهان

تخمین ML برای اطلاعات فاصله ها

6.1.Post-processing Using Edge Contractions

6.2. گروهبندی بازگشتی با توجه به نمونه ها

RG with k-means Clustering

6.3. Relaxed Neighbor-Joining Given Samples

6.4. Relaxed CLGrouping با توجه به نمونه ها

6.5. Regularized CLGrouping برای آموزش درخت پنهان

مدل های بافتی – درختی

شکل4.1.شناسایی اشیاء با استفاده از متن. (a) تصویر ورودی (b) خروجی 107 شناساگر کلاس (c) شش شناسایی اخیر با استفاده از نمرات شناساگرها (d) شش شناسایی قابل اعتماد با استفاده ازمدل متنی.

  1. 2. مثالهایی از اشیاء خارج از متن(احتمال،موقعیت و اندازه)

منابع اطلاعات بافتی

1-1-4-بافت کلی

2-1-4 – قرار گیری یکسان اشیاء تصویر

3-1-4 بافت هندسی

مدل های هندسی کمی

مدل های هندسی کیفی

2-4 بافت گاوس (نرمال): یک مدل بافتی – درختی با متغیرهای موقعیتی گاوسی

نمایش سه بعدی موقعیت

مدل قبلی موقعیت های سه بعدی

شکل 4.3

2-2-4- مدل سنجشی

ادغام خروجی یا بازدهی آشکار سازهای موضعی

3-2-4 یادگیری

یادگیری ساختار همبستگی اشیاء

یادگیری پارامترهای مدل درختی

3-4 نتایج بدست آمده از شناسایی اشیاء موجود در تصویر

شکل 4.5. نتایج تصویر برای PASCAL 07 و SUN 09. a-b ) اعدا بالای میله ها، تعداد اشیائی را نشان میدهد که شامل حداقل N نمونه شیء ground-truth می باشد.  C-d) اعدا بالای میله ها، تعداد اشیائی را نشان میدهد که شامل حداقل N نمونه شیء مختلف ground-truth می باشد.

جدول4.1. دقت متوسط محلی سازی. Baseline) شناساگر پایه Baselin بدون اطلاعات متنی [42] ،

3.2:شناسایی عملکرد SUNO9:

شکل 4.7.. ساختار وابستگی به شیء با SUN 09 آموزش داده می شود. لبه های قرمز، روابط منفی بین رده ها را نشان می دهد. ضخامت هر لبه نشاندهنده قدرت لینک است.

شکل 4.8.

شکل 4.9.. بهبود مدلهای متنی با آشکارسازهای baseline. رده بندی اشیاء با بهبود AP مرتب شده اند.

عملکرد شناسایی اجسام:

شکل 4.10.. شش شناسایی مطمئن با و بدون متن. این شکل نمونه های موفق استفاده از متن را نشان می دهد.

ارزیابی تصاویر با مقوله های جسمی چندگانه:

شکل 4.11. منحنی های Precision-recall برای پرس و جو از تصاویر با مجموعه ای از دسته های شی.

شکل 4.12. مثالهایی

4: مفهوم حفاظت پنهانی« مدل مفهوم پنهانی درختی با روابط حفاظتی

4.1: تشکیل دوباره مدل درختی پنهانی:

شکل 4.13.ساختار مدل درخت نهفته. لبه های قرمز روابط منفی را نشان می دهد.

شکل 4.14. توزیع support-chains درآموزش SUN 09

5. مدل های مفهومی برای بررسی خارج از مفهوم اجسام

شکل 4.15. مثالهایی


دانلود با لینک مستقیم


پروژه بررسی مدل های گرافیکی و برخی استنباط های موجود و الگوریتم های یادگیری. doc
نظرات (0)
امکان ثبت نظر جدید برای این مطلب وجود ندارد.