基于时空马尔可夫随机场的连续视频帧中运动速度场与概率模型的联合贝叶斯推断
计算机视觉与模式识别
2010-04-22 v1
摘要
我们数值研究了一种平均场贝叶斯方法，借助马尔可夫链蒙特卡洛方法，在由时空马尔可夫随机场描述的连续数字图像中同时估计运动速度场和概率模型。在构建我们的方法之前，我们发现迭代中的平均场变量由于后验中正则化项的不当归一化因子而发散。为避免这一困难，我们通过引入缩放因子重新缩放正则化项，并通过最小化均方误差来优化该因子。我们确认最优缩放因子稳定了运动速度估计的平均场迭代过程。接下来，我们尝试使用基于边际似然（第二类似然）相对于超参数梯度下降的玻尔兹曼机类型学习算法，来估计包括正则化项在内的超参数的最优值，这些超参数宏观上定义了我们的概率模型。在我们的框架中，可以同时估计概率模型（超参数）和运动速度场。我们发现我们的运动估计远优于Zhang和Hanouer（1995）的结果，后者中超参数被设置为一些没有理论依据的临时值。
引用
@article{arxiv.1004.3629,
title = {Simultaneous Bayesian inference of motion velocity fields and probabilistic models in successive video-frames described by spatio-temporal MRFs},
author = {Yuya Inagaki and Jun-ichi Inoue},
journal= {arXiv preprint arXiv:1004.3629},
year = {2010}
}
备注
10 pages, 21 figures, using IEEEtran.cls