Просмотр

Материал из MachineLearning.

У вас нет прав на выполнение этой операции по следующим причинам:

• Запрошенное действие могут выполнять только участники из групп emailconfirmed, Администраторы.
• Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.

Вы можете просмотреть и скопировать исходный текст этой страницы:

{{UnderConstruction|[[Участник:Kropotov|Kropotov]] 18:03, 14 сентября 2009 (MSD)}} {{TOCright}} Курс посвящен математическим методам обработки информации, основанных на выделении структуры в исходных данных и ее последующем анализе. Эти методы широко используются при решении задач из разных прикладных областей, включая обработку изображений и видео, анализ поведения, распознавание речи, машинное обучение. [[Изображение:StructuralVision2009-intro.jpg|350px]] == Программа курса == <u>Часть 1. Графические модели для анализа изображений.</u> === Введение в курс и понятие графических моделей. === Обзор курса. Задачи анализа структурированных данных. Представление зависимостей между объектами в виде графов. Основные задачи, для решения которых используются графические модели. Демонстрация современных работ, опирающихся на данные в курсе методы. Напоминание основных понятий, которые будут активно использоваться в следующих лекциях. Основные операции с вероятностями (правило суммы, произведения, формула Байеса). Понятия мат. ожидание и матрицы ковариаций. Нормальное распределение. Независимость событий. Маргинализация (исключение переменной). Метод максимального правдоподобия, МАР-оценивание на примере нормального распределения. Матричная нотация (скалярное произведение, следы матриц, квадратичные формы, дифференцирование по вектору). Правило множителей Лагранжа с ограничениями в виде равенств и неравенств. === Основные графические модели === Байесовские сети. Элементарные способы работы с байесовскими сетями. Марковские сети. Потенциалы на кликах. Примеры использования марковских сетей для анализа изображений. Ликбез: независимость случайных событий. Условная вероятность. Условная независимость. === Марковские сети и дискретная оптимизация === Энергетическая формулировка задач компьютерного зрения. Разрезы графов, алгоритмы нахождения максимального потока. Интерактивная сегментация изображений. Энергия, которую можно минимизировать с помощью разрезов графов. Многоуровневые разрезы графов. Приближенная минимизация энергии с помощью разрезов графов. Алгоритм, основанный на замене. Алгоритм, основанный на расширении. Примеры минимизируемых энергий. Сегментация видео. Сшивка изображений. Трехмерная реконструкция. === Условные случайные поля === Понятие условных случайных полей, сравнение их с марковскими полями. Методы вывода и настройки полей. Применение для семантической сегментации изображений, распознавания объектов с учетом контекста и трехмерной реконструкции. <u>Часть 2. Графические модели для анализа и распознавания сигналов.</u> === Скрытые марковские модели === Примеры задач сегментации сигналов. Обучение НММ с учителем, ЕМ-алгоритм и его использование в анализе графических моделей. Алгоритм Баума-Уэлша для подсчета условного распределения на сегментацию отдельной точки. Обучение НММ без учителя. Особенности численной реализации на ЭВМ. Поиск наиболее вероятной последовательности состояний. Использование априорного распределения на длительность нахождения в заданном состоянии. Модификации НММ (НММ высших порядков, факториальные НММ, многопоточные НММ, НММ ввода-вывода). Применение НММ для анализа поведения, мультимодальное распознавание речи. ''Ликбез'': динамическое программирование. === Методы фильтрации данных === Линейные динамические системы, фильтр Калмана. Настройка параметров фильтра Калмана. Уравнения Рауса-Тунга-Штрибеля. Пример использования. === Методы Монте Карло с марковскими цепями=== Взятие интегралов методами Монте-Карло, голосование по апостериорному распределению вместо точечного решающего правила. Схема Гиббса. Гибридные методы Монте-Карло. Использование методов Монте Карло на примере фильтра частиц. === Использование методов обработки сигналов в задаче множественного трекинга === Задача множественного трекинга лабораторных животных. Определение числа особей в блобе. Алгоритм разделения особей. Идентификация животных и определение ключевых точек. <u>Часть 3. Методы понижения размерности.</u> === Методы понижения размерности === Метод главных компонент. Вероятностный РСА. Ядровая версия РСА. Анализ независимых компонент. Нелинейное уменьшение размерности. Методы на базе MDL – минимальной длины описания. Активные контура и их применение для сегментации движущихся объектов в видеопотоке. Алгоритмы распознавания лиц на базе методов понижения размерности. ''Ликбез'': свойства симметричных матриц, положительно определенные матрицы. === Модель активных контуров === Модель активных контуров и примеры ее применения в задачах компьютерного зрения. == Расписание занятий == В 2009 году курс читается по четвергам на факультете ВМиК МГУ, в ауд. 671, начало в 18-00. {| class="standard" !Дата||Занятие |- |10 сентября 2009||Лекция 1 |- |17 сентября 2009||Лекция 2 |- |24 сентября 2009||Лекция 3 |- |1 октября 2009||Лекция 4 |- |8 октября 2009||Лекция 5 |- |15 октября 2009||Лекция 6 |- |22 октября 2009||Лекция 7 |- |29 октября 2009||Лекция 8 |- |5 ноября 2009||Лекция 9 |- |12 ноября 2009||Лекция 10 |- |19 ноября 2009||Лекция 11 |- |26 ноября 2009||Лекция 12 |- |3 декабря 2009||Экзамен |- |} == Литература == == См. также == [[Байесовские методы машинного обучения (курс лекций, Д.П. Ветров, Д.А. Кропотов, 2009)|Курс «Байесовские методы машинного обучения»]] [[Математические методы прогнозирования (кафедра ВМиК МГУ)]] [[Категория:Учебные курсы]]

• Шаблон:Main
• Шаблон:TOCright

Возврат к странице Структурные методы анализа изображений и сигналов (курс лекций, А.С. Конушин, Д.П. Ветров, Д.А. Кропотов, О.В. Баринова, В.С. Конушин, 2009).