Методы машинного обучения для построения трехмерных моделей антропогенных сцен

• Автор: Баринова, Ольга Вячеславовна
• Шифр специальности: 01.01.09
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Москва
• Количество страниц: 155 с. : ил.

СОДЕРЖАНИЕ
СОДЕРЖАНИЕ
ВВЕДЕНИЕ

СОДЕРЖАНИЕ РАБОТЫ ПО ГЛАВАМ

БЛАГОДАРНОСТИ

1. НОВЫЙ МЕТОД ПОСТРОЕНИЯ КОМПОЗИЦИЙ КЛАССИФИКАТОРОВ

3.1. Алгоритмы бустинга для задачи классификации

Формальные постановки задачи классификации

Проблема переобучения и обобщающая способность

Композиции классификаторов

Алгоритм АёаВооБ! (бустинг)

Оценки обобщающей способности для классификаторов, построенных
бустингом
Модификации бустинга устойчивые к шуму в обучающей выборке
3.2. Новые оценки обобщающей способности для линейных комбинаций
классификаторов
3.3. Новый метод построения композиций классификаторов
Метод оценивания условных вероятностей
Результаты экспериментов
3.4. ВЫВОДЫ
2. РАЗВИТИЕ МЕТОДОВ АНАЛИЗА ГЕОМЕТРИИ АНТРОПОГЕННЫХ СЦЕН НА ОСНОВЕ АНАЛИЗА ПРЯМЫХ ЛИНИЙ
2.1. Усовершенствованное преобразование Хафа для поиска многих
объектов
Обзор модификаций преобразования Хафа для поиска прямых линий
Анализ вероятностной модели в основе преобразования Хафа
Предлагаемая вероятностная модель
Вывод в предлагаемой вероятностной модели
Эксперименты
2.2. Геометрический парсинг фотографий городских сцен
Обзор методов поиска точек схода
Предлагаемый подход
Описание предлагаемой вероятностной модели
Вывод в модели
Эксперименты
2.3. ВЫВОДЫ
3. ПОСТРОЕНИЕ ТРЕХМЕРНЫХ МОДЕЛЕЙ ГОРОДСКИХ СЦЕН ПО ОДНОЙ ФОТОГРАФИИ
3.1. Существующие подходы к построению трехмерных моделей сцен по одному изображению
3.2. Предлагаемый метод построения трехмерных моделей городских сцен по одному изображению
Структура трехмерной модели и общая схема работы предлагаемого
алгоритма
Предобработка изображения
Вероятностная модель
Поиск точек перегиба ломаной линии
Вертикальное позиционирование ломаной линии
3.3. Результаты работы метода трехмерной реконструкции
3.4. ВЫВОДЫ
ЗАКЛЮЧЕНИЕ
СПИСОК РИСУНКОВ
ЛИТЕРАТУРА

Данная работа посвящена задаче восстановления трехмерной геометрии антропогенных сцен по одному изображению. В работе предлагаются методы, развивающие два основных принципа, лежащих в основе существующих методов трехмерной реконструкции антропогенных сцен по одному изображению - распознавания образов, и анализа геометрии сцены на основе анализа прямых линий.
В первой главе работы предлагается новый метод обучения для задачи классификации, который строит композиции простых классификаторов. Теоретически показывается, что предложенный метод обучения по прецедентам обладает лучшей способностью к обобщению, чем стандартный метод бустинга. Во второй главе работы предлагается новый метод поиска прямых, точек схода, линии горизонта и зенита на изображениях. В завершении работы рассматривается задача автоматического построения трехмерных моделей городских сцен по одному изображению и предлагается новый метод ее решения. Стоит отметить также, что результаты, полученные в первой и второй главах, имеют широкую область применения, не ограничивающуюся задачей трехмерной реконструкции по одному изображению.

Это неравенство выполняется поскольку, в общем случае, для любых событий А и в справедливо
Поскольку (1) выполняется для всех g&CN, можно взять матожидание по обеим частям неравенства по распределению 0, получим:
Р0 [сО)/(*) *£ °] ^ Рв,8~е ^ в] + Ро,е~д [ФЖ*) > в > 2,с(х)/(х) < 0] =
= Е.-б (Ро [ФМ*) <в/2]) + Ёв (Р^д [с(х)^х) >0/2, с(х)Дх) < 0]) <
< Ег_е (Ра [с(х)Дх) < 0 /2]) + Ёв (Р^в [с(х)Дх) >0/2| с(х)Дх) < 0]) . (3)
Вначале найдем верхнюю оценку для фиксированного значения о > о, после чего докажем, что с высокой вероятностью неравенство выполняется одновременно для всех значений 0 > 0. Будем ограничивать оба слагаемых в
(3)отдельно.
3) Начнем ограничивать (3) со второго слагаемого. Рассмотрим пример (х,у) и возьмем вероятность внутри матожидания относительно случайного выбора g. Очевидно, что /(х) = Ег_е(^(х)), поэтому для любого х
выполняется с(х) Дх) = Е^ (с(х)Дх)). Для этого нам потребуется
неравенство Хефдиига, которое связывает эмпирическое среднее . с матожиданием для случайных сумм.
Неравенство Хефдинга: Пусть Хх,...,Хп - независимые случайные
величины. Предположим, что они почти наверное ограничены Р{Х1 е[а(,0,]) = 1. Тогда для суммы этих случайных величин >5' = Х1 + ...+Xп выполняется условие
Применим неравенство Хефдинга, чтобы ограничить вероятность внутри матожидания во втором слагаемом. Для любого х верно соотношение -1 < е(х)/(х) < 1. Таким образом, получим неравенство
Р[А] = Р[В гА] + Р[В пА< Р[В] + Р[В п А].