目标识别问题中存在大量不确定信息, 利用BN可以对不确定信息及其相互关系进行学习与推理。但是, 目标识别问题的样本量较小, 在参数学习过程中, 常因观测数据不足产生误差, 需要引入单调性信息等专家经验, 针对这一问题, 提出最小元算法。首先, 利用最小元表达单调性信息, 将其转化为参数学习可以直接利用的先验信息; 然后, 基于保序回归思想, 对参数学习结果进行优化, 消除误差, 得到相对准确的网络参数。以空中目标识别为仿真背景, 与最小子集算法比较, 验证了该算法在准确度与复杂度等方面的优势。
目标识别 参数学习 参数优化 最小子集算法 最小元算法 target recognition parameter learning parameter optimization Minimum Lower Sets (MLS) algorithm Minimum Unit (MU) algorithm
1 1.北京大学信息科学中心,北京,100871
2 华中科技大学图像处理与人工智能研究所,湖北,武汉,430074
基元提取在基于模型的计算机视觉中起着重要的作用。基元抽取问题可以归结为优化问题,即寻找代价函数的全局最小值。利用统计方法对最小子集进行随机抽样,大大减少了对最小子集的评价。同时引入了参数向量列表,并提出了一种新的代价函数,用于对基元的参数向量进行评价,使计算量减少、抽取精度提高。该方法可以用于多个基元的提取。分析实验结果表明,该方法能快速、准确地提取集合基元。
基元 基于模型 计算机视觉 最小子集 参数向量列表 Geometric primitive Model-based Computer vision Minimal subset Parameter vector list