УДК: 004.932

Генеративные и вероятностные модели в обработке изображений и компьютерном зрении

Полный текст на elibrary.ru

Публикация в Journal of Optical Technology

Ссылка для цитирования:

Потапов А.С. Генеративные и вероятностные модели в обработке изображений и компьютерном зрении // Оптический журнал. 2015. Т. 82. № 8. С. 5–10.

Potapov A.S. Generative and probability models in image processing and computer vision [in Russian] // Opticheskii Zhurnal. 2015. V. 82. № 8. P. 5–10.

Ссылка на англоязычную версию:

A. S. Potapov, "Generative and probability models in image processing and computer vision," Journal of Optical Technology. 82(8), 495-498 (2015). https://doi.org/10.1364/JOT.82.000495

Аннотация:

Проведен анализ роли генеративных моделей в обработке изображений и компьютерном зрении. Рассмотрены ориентированные и неориентированные графические модели (Байесовские и Марковские сети) и возможности их применения в обработке изображений, в частности, при решении задач фильтрации шума, сегментации, стереозрения. Рассмотрено вероятностное программирование как способ задания произвольных генеративных моделей, обладающих существенно большей выразительной силой, чем графические модели. Показано, что основное ограничение вероятностного программирования связано с проблемой эффективности вывода над произвольными генеративными моделями, для решения которой необходимо развивать методы автоматической специализации общих процедур вывода.

Ключевые слова:

анализ изображений, генеративные модели, графические модели, Байесовские сети, Марковские сети, вероятностное программирование

Благодарность:

Работа выполнена при поддержке Министерства образования и науки Российской Федерации и частично при государственной поддержке ведущих университетов Российской Федерации (субсидия 074-U01).

Коды OCIS: 150.1135

Список источников:

1. Tappen M.F. Modeling images with undirected graphical models // Image processing and analysis with graphs: theory and practice / Ed. by Lukac R. Boca Raton, USA: CRC Press. 2012. Ch. 16. P. 475–496.
2. Goodman N.D., Tenenbaum J.B. Probabilistic models of cognition. [Электронный ресурс]. Режим доступа: http://probmods.org, свободный. Яз. англ. (дата обращения 14.02.2015).

3. Mansinghka V., Kulkarni T., Perov Y., Tenenbaum J. Approximate Bayesian image interpretation using generative probabilistic graphics programs // arXiv:1307.0060 [cs.AI]. 2013. [Электронный ресурс]. Режим доступа: http://arxiv.org/abs/1307.0060, свободный. Яз. англ. (дата обращения 14.02.2015).
4. Lutsiv V., Malyshev I. Image structural analysis in the tasks of automatic navigation of unmanned vehicles and inspection of Earth surface // Proc. SPIE. 2013. V. 8897. P. 88970F-1–88970F-15.
5. Lutsiv V.R., Malashin R.O. Object-independent structural image analysis: History and modern approaches // JOT. 2014. V. 81. Is. 11. P. 642–650. (Оптический журнал. 2014. Т. 81. № 11. С. 31–44).
6. Koller D., Friedman N. Probabilistic graphical models: principles and techniques. Cambridge, Massachusetts, London: the MIT Press, 2009. 1231 p.
7. Wang S.S.J., Wand M.P. Using Infer.NET for statistical analyses // The American Statistician. 2011. V. 65. P. 115–126.
8. Gordon A.D., Henzinger Th.A., Nori A.V. Probabilistic programming // International Conference on Software Engineering. May 2014. [Электронный ресурс]. Режим доступа: http://research.microsoft.com/pubs/208585/fose-icse2014.pdf, свободный. Яз. англ. (дата обращения 14.02.2015).
9. Rosa J., Villa J., Araiza Ma. A., González E., Rosa E. A comparative study of some Markov random fields and different criteria optimization in image restoration // Advanced image acquisition, processing techniques and applications / Ed. by Ventzas D.I. InTech, 2012. P. 143–172.
10. Kato Z., Pong T.-Ch. A Markov random field image segmentation model for color textured images // Image and Vision Computing. 2006. V. 24. P. 1103–1114.
11. Sun J., Zheng N.-N., Shum H.-Y. Stereo matching using belief propagation // IEEE Transactions On Pattern Analysis And Machine Intelligence. 2003. V. 25. № 7. P. 787–800.
12. Goodman N.D., Mansinghka V.K., Roy D.M., Bonawitz K., Tenenbaum J.B. Church: a language for generative models // Proc. 24th Conf. Uncertainty in Artificial Intelligence. Helsinki, Finland, July 9–12, 2008. P. 220–229.
13. Mansinghka V., Selsam D., Perov Y. Venture: a higher-order probabilistic programming platform with programmable inference // arXiv 1404.0099. 2014. [Электронный ресурс]. Режим доступа: http://arxiv.org/abs/1404.0099, свободный. Яз. англ. (дата обращения 14.02.2015).
14. Wood F., Meent J.W., Mansinghka V. A new approach to probabilistic programming inference // Artificial Intelligence and Statistics. 2014. P. 1024–1032.
15. Potapov A., Rodionov S. Making universal induction efficient by specialization // AGI 2014. Lecture notes in artificial intelligence / Ed. by Goertzel B., Orseau L., Snaider J. N.Y.: Springer, 2014. V. 8598. P. 133–142.