贝叶斯派的概率图模型概述（总）

1.什么是概率图模型

 

 

2.概率图模型发展历程

以下图论的BP的算法是推理算法，和神经网络和深度学习中的BP算法完全不同。

 

 

3.概率图模型的表示、推理、学习

 

3.1表示

 3.2推理

 3.3学习

从数据中学习模型的结构和参数，或者在图像识别中靠先验知识 相邻像素的相似性来学习等。

 

4.概率图模型应用举例

4.1图像分割

在图模型的结构层面采用网格状马尔可夫随机场，图模型参数的物理含义是相邻像素点具有连续、相似性，赋予其概率意义，分割结果如下。

 4.2立体视觉

图模型的每一个节点对应一个像素点，图模型像素点之间的边的概率代表着相邻像素的连续、相似性，建模后进行推理计算，利用最大后验概率推理。求出每一个像素点的深度，亮的像素点近，暗的像素点远。图片底部为可参考的文献。

 4.3图像去噪

对有噪声的自然图像复原。同样，图模型的每一个节点对应一个像素点，相邻像素点之间定义边的参数/概率意义为一个概率值，即相邻像素的相似性，相似度越高概率值越大。完成概率图表示后，进行推理计算，得出结果。图片底部为可参考的文献。

 

4.4人体姿态估计

首先对人体进行区块划分，每一个方块对应概率图的节点，矩形块的角度等对应概率图节点的变量，边代表着运动学约束。

4.5医学图像处理

三位概率图求解。每一个节点对应图像一个像素点， 像素点间的边 相邻像素的相似性。

 

5.以后会更新的

 

注：本文来自于 包治百病的小神仙的个人空间_哔哩哔哩_bilibili，用于学习和交流，侵删。