关于文章 A Llook At Gaussian Mixture Reduction Algorithems
来源:互联网 发布:知乎 复活 编辑:程序博客网 时间:2024/05/20 23:29
第一次写技术文档,要求别太高了,尤其是对于我这样一个小硕,还是一个不怎么懂数学的女生小硕,哈哈
首先,必须说,这篇文章信息量很大,而且有很多数学公式,提到的算法也很多,科研真是不容易啊。。。。
这篇文章是关于混合高斯模型的约简算法,我是因为需要提取运动目标用到了高斯混合模型而接触到这篇文章,对我来说要理解难度很大,很多东西都不懂,很难看进去啊。
话说,科研还真是奇妙,一方面,因为混合高斯模型因为效果还不理想,所以很多人想到了和其他算法的结合使用,简单的有帧间差分法和canny边缘算子,复杂的甚至有和神经网络的结合,这样,算法的复杂度和计算量就在增加;另一方面,却有很多人在想尽办法降低复杂度,就像这篇文章,约简算法,就是为了降低复杂度和计算量。不过呢,两个方面都是为了更好地应用混合高斯模型,这就是精度和速度之间的拉锯战吧。
简单来说,高斯混合模型用于背景建模时可以看做一种聚类算法(其它应用时不了解),也就是根据混合高斯模型来将像素点分为背景和前景两类。
这个高斯混合模型约简算法主要提到了三种约简算法:GMRC(通过聚类的高斯混合约简算法)、COWA(约束优化权重适应)和brute-force approach(蛮力方法或者硬方法),蛮力方法是作为最后仿真实验的一个比较的基准,以及他们的一些改进方法。
这里提到的混合高斯模型算法通俗来说,就是一个概率密度曲线,之前使用N个高斯的混合来表示,为了减少计算量的原因,现在要用L个来表示标率密度,要求是两者之间的失真度最小,也可以说误差最小。例如文中提到的实验都是将原来是10个混合高斯表示的概率密度曲线要用5个高斯的混合来近似表示。
另外要提到的就是约简算法性能的一个评价标准:误差平方积分。从名字来看,就是误差(约简前后概率密度函数的差值)的平方的积分,越小表明效果越好(和误差平方和最小一个道理),所以后面还提到了误差平方积分(ISE)的最小化。
文中提到,约简有两个思路,一个是修剪(pruning),就是根据相似性原则,将一部分高斯部件去掉的意思;另一个思路是融合(merge),就是根据相似的方法将两个高斯部件合成为一个。还有一个方法是对于混合高斯模型的参数进行优化。
文中,两条直线中间文字加粗的就是算法,相当于简单的流程描述,下面一一看一下:
1、GMRC(为什么网上都找不到中文的算法描述呢,真是崩溃)
步骤a:贪婪初始化,运行Runnalls’算法,来货个概率密度函数的初始估计,贪婪初始化有很多种算法,这是其中一种,后面有提到这个算法的具体实现。
步骤b:聚类,使用k均值算法进行聚类,用Kullback-Leiber距离作为一种距离度量来优化估计。
步骤c:优化,对误差平方积分(ISE)进行迭代优化。(最小化)
(P.S. 还真是无泪了,就这一点算法表述提到了贪婪算法、聚类算法、迭代优化,感觉要把所有学过的内容整合到一起来理解贯通一样,真是难啊,现在还是大杂烩、一锅粥啊,希望多看几遍能够有点提高)
2、COWA
步骤a:贪婪约简,运行增强的西部算法(enhanced West algorithm),减少一个混合高斯部件(或部件component),后面有提到这个算法的具体实现。
步骤b:优化,对约简后的混合模型的均值和方差做一个估计,计算权重的全局优化值。
步骤c:再进一步约简,如果已经约简到L个部件(原来是N个,这也是约简的目标,即从N个高斯component减少到L个)或者ISE已经小于E(最小阈值),表示已近不能再约简,停止循环,否则回到步骤a。
3、Runnalls’算法
步骤a:设置当前混合模型为完全混合(具体意思不懂)。
步骤b:计算i、j部件融合的代价Cij。将当前Cij最小的对应的两个高斯融合,并设置当前混合为结果。
步骤c:如果当前已经达到L个高斯,退出,否则回到步骤b。
4、enhanced West algorithm算法
步骤a:为当前混合模型的每一个部件计算修正的权值。
步骤b:使i表示修正权值的最小值,融合j部件和i部件的代价是Cij用该ISE距离表示。找到一个j使得cij对这个i最小,如果这样的一对ij未找到,则约简结束,否则将该ij融合,并且设置当前混合为结果。
5、k均值算法
这个算法很多地方都有讲到,这里就略过。
6、brute-force approach(蛮力方法)
其实这里提到的方法在之前的数学中学到的罗列法是一样的,就像有L个盒子,N个小球,要将这些小球放到这些盒子里,原则是每一个盒子里都要有小球即不能空,这样我们会有很多种放的方法,在这里的约简方法就是要将这些放到一个盒子里的部件融合,从而完成约简。我们首先将所有的可能方式罗列出来,然后计算每一种方式的ISE,最后ISE最小的方式就是所需要的。
今天,先到这里吧,看不下去了,还是很多地方没看懂,第一遍也没看完,看英文文献真是考验耐力啊,加油!
这种文章选择紫色会不会太不庄重了,不管了,我喜欢紫色,下次还是用黑色好了。
思考:
1、文中提到的思想和算法有什么应用?
混合高斯模型在数值逼近、语音识别、人体特征识别、图像分类、图像去噪、图像重构、故障诊断、视频分析、信息过滤、密度估计、目标跟踪与识别等领域都有广泛的应用,
2、我们可以如何将文中的思想应用到我们的项目上?
如果是经典的混合高斯模型用于背景建模提取运动目标,每个像素点模型一般使用3-5个高斯的混合表示,不需要本文提到的混合高斯约简算法。
- 关于文章 A Llook At Gaussian Mixture Reduction Algorithems
- 关于文章 A Llook At Gaussian Mixture Reduction Algorithems(2)
- Gaussian Mixture Model
- Gaussian Mixture Model
- Gaussian Mixture Model
- Gaussian Mixture Model
- Gaussian Mixture Model
- 漫谈Gaussian Mixture Model
- Gaussian Mixture Model
- Gaussian Mixture Model(GMM)
- gaussian mixture model
- Gaussian discriminant analysis and Gaussian Mixture Model
- Clustering (3): Gaussian Mixture Model
- vlfeat Gaussian Mixture Models Tutorials
- Dirichlet Process Gaussian Mixture Models
- 漫谈 Clustering: Gaussian Mixture Model
- 漫谈 Clustering (3): Gaussian Mixture Model
- 高斯混合模型(Gaussian Mixture Model)
- Android 打造自己的个性化应用(三):应用程序的插件化
- Nginx配置文件nginx.conf中文详解
- 如何在 iOS 7 中设置 barTintColor 实现类似网易和 Facebook 的 navigationBar 效果
- android布局方式讲解
- 那些厚黑又细腻的人性社交设计
- 关于文章 A Llook At Gaussian Mixture Reduction Algorithems
- 芒果播放器介绍
- Android 打造自己的个性化应用(四):仿墨迹天气实现-->自定义扩展名的zip格式的皮肤
- 【HBase】Rowkey设计
- Android 打造自己的个性化应用(五):仿墨迹天气实现续--> 使用Ant实现zip/tar的压缩与解压
- VS2005(vs2008,vs2010)使用map文件查找程序崩溃原因
- 数字字符串转化字母字符串
- 孝感市继续教育网客户端软件
- [剑指offer][面试题50]树中两个节点的最低公共祖先