Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (08.2015) : ГЕНЕРАТИВНЫЕ И ВЕРОЯТНОСТНЫЕ МОДЕЛИ В ОБРАБОТКЕ ИЗОБРАЖЕНИЙ И КОМПЬЮТЕРНОМ ЗРЕНИИ

ГЕНЕРАТИВНЫЕ И ВЕРОЯТНОСТНЫЕ МОДЕЛИ В ОБРАБОТКЕ ИЗОБРАЖЕНИЙ И КОМПЬЮТЕРНОМ ЗРЕНИИ

 

© 2015 г.     А. С. Потапов*,**, доктор техн. наук

*   Университет ИТМО, Санкт-Петербург

** Государственный оптический институт им. С.И. Вавилова, Санкт-Петербург

Е-mail: pas.aicv@gmail.com

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 бо€льшей 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.

Коды OCIS: 150.1135

УДК 004.932

Поступила в редакцию 19.02.2015.

ЛИТЕРАТУРА

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.

 

 

Полный текст >>>