机器视觉机器学习中的武器库

转自：http://blog.csdn.net/euler1983/article/details/5974128

1。GMM：高斯混合模型。作为一种更普适的统计模型。

2。Markov random filed：马尔可夫随机场。马尔可夫刻画了这个世界中的一类action，未来事件只与当前状态有关，与过去无关。随机场提供了应用的场所，比喻为一片地，每一小块地是一个位置，每一个位置上有一个phase space，里边可以选择种什么庄稼。图像其实也就是一个随机场，每个像素是一块地，每个像素上取的值就属于phase space。图像上与每个像素关系最密切的是其邻域，故而很多图像上的问题可由MRF来进行建模。

3。bayes估计。利用数据来估计模型中的参数，最大似然估计产生最好的估计结果。从先验概率转变到后验概率，我感觉这个工具的意义就像我们小学时候从代数到方程的那种跨越一样，改变了解决问题的思路。

在刘未鹏的博客里有一篇很通俗的bayes介绍，很有趣的是他提到了为什么我们经常用L2-norm来衡量数据间的距离，答案是很多时候这是由数据的正态分布来决定的。

4。L1-norm。最近放佛刚掀起来的一股热潮，跟sparse matrix的求解貌似有很大的联系。而sparse matrix又在人脸识别中起到了很大的应用，MSRA的ma yi利用sparse matrix做出了人脸方面很大的一个result。

5。Gibbs energy。在很多模型的求解中要求平滑地收敛，这时候可以用一个Gibbs约束。

 

6。PCA，主成分分析，取主要矛盾。

7。SVM，支持向量机，最大限度分开两类数据。

8。SVD，矩阵分解，有一个应用是可以把一个大的矩阵运算化为两个小的矩阵运算。