Структурные методы анализа изображений и сигналов (курс лекций)

Материал из MachineLearning.

Перейти к: навигация, поиск

Содержание

Спецкурс посвящен математическим методам обработки информации, основанных на использовании внутренних взаимосвязей в данных и их последующем анализе. Эти методы широко используются при решении задач из разных прикладных областей, включая обработку изображений и видео, анализ социальных сетей, распознавание речи, машинное обучение.

Лекторы: Д.П. Ветров, Д.А. Кропотов, А.А. Осокин.

 

 

 

Расписание занятий

В 2011 году курс читается в весеннем семестре по пятницам на факультете ВМиК МГУ, в ауд. 612, начало в 16-20.

ДатаЗанятие
18 февраля 2011 Лекция 1 «Введение в курс. Напоминание известных математических фактов для последующих лекций»
25 февраля 2011 Лекция 2 «Графические модели»
4 марта 2011 Лекция 3 «Точные методы вывода в ациклических графических моделях. Алгоритм Belief Propagation»
11 марта 2011 Лекция 4 «Скрытые марковские модели. Алгоритм сегментации сигнала»
18 марта 2011 Лекция 5 «Обучение скрытых марковских моделей»
25 марта 2011 Лекция 6 «Задача фильтрации многомерных сигналов. Линейные динамические системы. Фильтр Калмана»
1 апреля 2011 Лекция 7 «Приближенные методы вывода в циклических графических моделях. Алгоритм Tree-ReWeighted Message Passing (TRW)»
8 апреля 2011 Лекция 8 «Алгоритмы на основе разрезов графов»
15 апреля 2011 Лекция 9 «Примеры практического применения алгоритмов, обсуждаемых в курсе. Комментарии ко второму заданию.»

Оценка за курс

Для успешной сдачи спецкурса необходимо в течение семестра выполнить два практических задания, а также сдать экзамен. Оценка за курс вычисляется по формуле 0.25*(оценка за первое задание) + 0.25*(оценка за второе задание) + 0.5*(оценка за экзамен).

УчастникГруппаЗадание 1Задание 2ЭкзаменИтоговая оценка
Ромов П.202 5.0
Гитман Ю.205 5.0
Елшин Д.317 5.0
Костин Г.320 4.0
Колев Д.417 5.0
Ермишин Ф.421 4.5
Бартунов С.428 3.5
Заякина О.ВВО 5.0

Практические задания

Задание 1. Скрытые марковские модели и линейные динамические системы.

Программа курса

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.

Презентация (PDF, 548 КБ)
Статья в Википедии по графическим моделям

Точные методы вывода в ациклических графических моделях. Алгоритм Belief Propagation.

Поиск наиболее вероятной конфигурации ацикличной марковской сети с помощью алгоритма Belief Propagation (динамическое программирование). Интерфейс передачи сообщений. Подсчет мин-маргиналов. Поиск маргинальных распределений для графических моделей в форме дерева. Использование произвольных полукольцевых операций в графических моделях.

Конспект лекции (PDF, 64 Кб)
Статья в Википедии про алгоритм Belief Propagation

Скрытые марковские модели (СММ). Алгоритм сегментации сигнала.

Примеры задач сегментации сигналов. Обучение СММ с учителем. Поиск наиболее вероятной последовательности состояний. ЕМ-алгоритм и его использование в анализе графических моделей.

Презентация лекции (PDF, 779 Кб)

Обучение СММ без учителя

Алгоритм Баума-Уэлша для подсчета условного распределения скрытой переменной в отдельной точке. ЕМ-алгоритм для обучения СММ без учителя. Особенности численной реализации на ЭВМ. Модификации СММ (СММ высших порядков, факториальные СММ, многопоточные СММ, СММ ввода-вывода). Примеры использования СММ.

Презентация лекции (PDF, 1.01 Мб)

Методы фильтрации данных

Линейные динамические системы, фильтр Калмана. Настройка параметров фильтра Калмана. Уравнения Рауса-Тунга-Штрибеля. Расширенный фильтр Калмана, пример использования.

Конспект лекции (PDF, 135 Кб)

Приближенные методы вывода в графических моделях. Tree-ReWeighted Message Passing (TRW).

ЛП-релаксация задачи байесовского вывода. Двойственное разложение. Независимость алгоритма TRW от способа разбиений на деревья. Свойства алгоритма TRW для субмодулярной энергии.

Конспект лекции (PDF, 78 Кб)

Алгоритмы на основе разрезов графов

Энергетическая формулировка задач компьютерного зрения. Разрезы графов, алгоритмы нахождения максимального потока. Интерактивная сегментация изображений. Энергия, которую можно минимизировать с помощью разрезов графов. Приближенная минимизация энергии с помощью алгоритма альфа-расширения.

Презентация (PDF, 634 Кб)

Примеры практического применения алгоритмов, обсуждаемых в курсе

Метод опорных векторов

Методы настройки марковских случайных полей. Структурный метод опорных векторов.

Приближенные методы вывода в графических моделях. 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.

Приближенные методы вывода в графических моделях. Вариационный подход.

Литература

  1. Памятка по теории вероятностей
  2. Bishop C.M. Pattern Recognition and Machine Learning. Springer, 2006.
  3. Mackay D.J.C. Information Theory, Inference, and Learning Algorithms. Cambridge University Press, 2003.
  4. Jordan M.I. (Ed.) Learning in graphical models. Cambridge MA: MIT Press, 1999
  5. Cowell R.G., Dawid A.P., Lauritzen S.L., Spiegelhalter D.J. Probabilistic networks and expert systems. Berlin: Springer, 1999.

Страницы курса прошлых лет

2009 год

См. также

Курс «Байесовские методы машинного обучения»

Спецсеминар «Байесовские методы машинного обучения»

Математические методы прогнозирования (кафедра ВМиК МГУ)

Личные инструменты