摘要

可以从大量数据中高效学习的强大统计模型目前正在彻底改变计算机视觉。这些模型具有丰富的内部结构，反映了特定任务的关系和约束。这本专著向读者介绍了计算机视觉中最流行的结构化模型类别。我们的重点是离散无向图形模型，我们将详细介绍该模型，并描述概率推理和最大后验推理的算法。我们分别讨论了最近在一般结构化模型中成功的预测技术。在本专著的第二部分中，我们描述了参数学习方法，其中我们区分了经典的基于最大似然的方法和最新的基于预测的参数学习方法。我们强调了增强当前模型的发展，并讨论了核心化模型和潜在变量模型。为了使专著更加实用，并为进一步研究提供链接，我们提供了许多方法在计算机视觉文献中的成功应用示例。

计算机视觉中的结构化学习与预测

可以从大量数据中高效学习的强大统计模型目前正在彻底改变计算机视觉。这些模型具有丰富的内部结构，反映了特定任务的关系和约束。

计算机视觉中的结构化学习与预测向读者介绍计算机视觉中最流行的结构化模型类。重点是离散无向图形模型，其中详细介绍了概率推理和最大后验推理的算法。它还分别讨论了一般结构模型中最近成功的预测技术。第二部分计算机视觉中的结构化学习与预测描述了参数学习的方法，区分了经典的基于最大似然的方法和最近的基于预测的参数学习方法。它强调了增强当前模型的发展，并讨论了核心化模型和潜在变量模型。贯穿始终计算机视觉中的结构化学习与预测正文与所解释技术的成功计算机视觉应用交织在一起。为方便起见，读者可以在书末找到所用符号的摘要。