| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-25页 |
| 1.1 对象分割 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 基于随机场模型的对象分割 | 第14-15页 |
| 1.2.2 基于非参数化模型的对象分割 | 第15-16页 |
| 1.2.3 基于非参贝叶斯的随机场模型的对象分割 | 第16-17页 |
| 1.3 主要工作 | 第17-19页 |
| 1.4 论文结构安排 | 第19-20页 |
| 参考文献 | 第20-25页 |
| 第二章 分层狄里克雷过程与随机场模型 | 第25-47页 |
| 2.1 分层狄里克雷过程 | 第25-32页 |
| 2.2 因子图与随机场模型 | 第32-39页 |
| 2.2.1 马尔科夫随机场模型 | 第33-35页 |
| 2.2.2 条件随机场模型 | 第35-36页 |
| 2.2.3 势函数与指数族分布 | 第36-37页 |
| 2.2.4 结构化支持向量机模型 | 第37-39页 |
| 2.3 贝叶斯判别准则及其推理方法 | 第39-42页 |
| 2.3.1 贝叶斯判别准则 | 第39-40页 |
| 2.3.2 吉布斯采样 | 第40-42页 |
| 2.4 判别模型的参数估计 | 第42-45页 |
| 2.4.1 最大条件似然估计 | 第42-43页 |
| 2.4.2 SSVM模型的cutting-plane解 | 第43-45页 |
| 2.5 本章小结 | 第45页 |
| 参考文献 | 第45-47页 |
| 第三章 基于分层狄里克雷过程的隐条件随机场模型 | 第47-75页 |
| 3.1 引言 | 第47-50页 |
| 3.2 相关的非参数化随机场模型 | 第50-54页 |
| 3.3 我们提出的HDP-HCRF模型 | 第54-57页 |
| 3.4 基于条件MCEM的模型参数估计 | 第57-71页 |
| 3.4.1 条件蒙特卡罗EM算法 | 第57-59页 |
| 3.4.2 势函数模板 | 第59-61页 |
| 3.4.3 基于直接赋值的隐变量的后验采样 | 第61-67页 |
| 3.4.4 HDP-HCRF模型的训练 | 第67-70页 |
| 3.4.5 与Contrastive Divergence算法的区别 | 第70-71页 |
| 3.5 HDP-HCRF模型的推理 | 第71-72页 |
| 3.6 本章小结 | 第72页 |
| 参考文献 | 第72-75页 |
| 第四章 HDP-HCRF模型的随机近似解 | 第75-103页 |
| 4.1 实验数据与局部直方图特征的提取 | 第75-79页 |
| 4.1.1 数据集 | 第75-77页 |
| 4.1.2 基于超像素的特征提取 | 第77-79页 |
| 4.2 基于伪似然的近似解 | 第79-85页 |
| 4.2.1 基于最大伪似然的参数训练 | 第79-81页 |
| 4.2.2 实验 | 第81-85页 |
| 4.3 生成树近似与FISTA算法 | 第85-101页 |
| 4.3.1 基于生成树的CRF近似表示 | 第88-90页 |
| 4.3.2 基于FISTA算法的参数训练 | 第90-92页 |
| 4.3.3 实验 | 第92-101页 |
| 4.4 本章小结 | 第101页 |
| 参考文献 | 第101-103页 |
| 第五章 高阶HDP-HCRF模型及其最大间隔解 | 第103-119页 |
| 5.1 一种新的基于像素相似度的高阶势函数 | 第103-105页 |
| 5.2 基于BMRM算法的高阶HDP-HCRF模型的训练与推理 | 第105-109页 |
| 5.3 实验 | 第109-118页 |
| 5.3.1 训练过程的收敛性 | 第109-110页 |
| 5.3.2 超像素个数对准确性的影响 | 第110-118页 |
| 5.4 本章小结 | 第118页 |
| 参考文献 | 第118-119页 |
| 第六章 总结与展望 | 第119-123页 |
| 附录 缩略语表 | 第123-125页 |
| 致谢 | 第125-127页 |
| 攻读学位期间发表的学术论文目录 | 第127页 |
