Burjlar modeli - Constellation model

The burjlar modeli ehtimollik, generativ model kategoriya darajasida ob'ektni tanib olish uchun kompyuterni ko'rish. Boshqalar singari qisman asoslangan modellar, yulduz turkumi modeli ob'ektlar sinfini N o'zaro geometrik cheklovlar ostidagi qismlar. Turli xil qismlar orasidagi geometrik munosabatlarni hisobga olgan holda, burjlar modeli faqat tashqi ko'rinishdan sezilarli darajada farq qiladi yoki "so'zlar sumkasi "tasvir xususiyatlarining joylashishini aniq inobatga olmaydigan vakili modellari.

Ob'ektni tanib olish uchun generativ modelni aniqlash muammosi qiyin. Vazifa fon tartibsizliklari, okklyuziya va nuqtai nazar, yorug'lik va ko'lamning o'zgarishi kabi omillar bilan sezilarli darajada murakkablashadi. Ideal holda, biz tanlagan vakolatxonamiz iloji boricha ko'proq ushbu omillarga nisbatan mustahkam bo'lishini xohlaymiz.

Kategoriya darajasida tan olinishda, bu muammo sinf ichidagi o'zgarishning asosiy muammosi bo'lgani uchun yanada qiyinroq. Ikki ob'ekt bir xil vizual toifaga tegishli bo'lsa ham, ularning ko'rinishi sezilarli darajada farq qilishi mumkin. Biroq, avtomobillar, velosipedlar va odamlar kabi tuzilgan ob'ektlar uchun bir xil toifadagi ob'ektlarning alohida nusxalari o'xshash geometrik cheklovlarga duch keladi. Shu sababli, ob'ektning alohida qismlari, masalan, avtomobilning faralari yoki shinalari, hanuzgacha doimiy ko'rinishga va nisbiy holatga ega. Constellation Model ushbu qismdan ma'lum bir ob'ekt toifasi uchun nisbiy joylashishini, nisbiy shkalasini va ko'rinishini aniq modellashtirish orqali ushbu haqiqatdan foydalanadi. Model parametrlari nazoratsiz o'rganish algoritm, ya'ni ob'ekt sinfining vizual kontseptsiyasini o'qitiladigan rasmlarning yorliqsiz to'plamidan olish mumkin degan ma'noni anglatadi, garchi bu to'plamda "keraksiz" tasvirlar yoki bir nechta toifadagi ob'ektlarning nusxalari bo'lsa ham. Shuningdek, u tashqi ko'rinish o'zgaruvchanligi, okklyuziya, tartibsizlik yoki detektor xatosi tufayli model qismlarining yo'qligini hisobga olishi mumkin.

Tarix

"Parchalar va tuzilma" modeli g'oyasi dastlab Fisler va Elshlager tomonidan 1973 yilda kiritilgan.^[1] Ushbu model keyinchalik qurilgan va ko'plab yo'nalishlarda kengaytirilgan. Doktor Perona va uning hamkasblari tomonidan taqdim etilgan Constellation Model, ushbu yondashuvning ehtimoliy moslashuvi edi.

90-yillarning oxirida Burl va boshq.^[2][3][4][5] yuzni aniqlash maqsadida Fischler va Elschlager modelini qayta ko'rib chiqdi. Burl va boshq. detektorlar to'plami uchun statistik modelni va ular qo'llanilishi kerak bo'lgan nisbiy joylarni yaratish uchun o'quv rasmlarida yulduz turkumlari qismlarini qo'lda tanlashda foydalanilgan. 2000 yilda Weber va boshq. ^[6][7][8][9] ko'proq nazoratsiz o'quv jarayonidan foydalangan holda modelni o'qitishning muhim bosqichini amalga oshirdi, bu esa qismlarni zerikarli qo'l yorlig'i zarurligini istisno qildi. Ularning algoritmi ayniqsa diqqatga sazovor edi, chunki u hatto tartibsiz va yopiq tasvir ma'lumotlarida ham yaxshi natijalarga erishdi. Fergus va boshq.^[10][11] keyinchalik ushbu modelni takomillashtirib, o'quv bosqichini to'liq nazoratsiz, ham tashqi ko'rinishni, ham ko'rinishni bir vaqtning o'zida o'rgangan holda va qismlarning nisbiy shkalasi bo'yicha aniq hisobga olgan holda amalga oshirdi.

Weber va Welling va boshqalarning usuli.^[9]

Birinchi qadamda standart qiziqish nuqtasini aniqlash kabi usul Xarris burchakni aniqlash, qiziqish nuqtalarini yaratish uchun ishlatiladi. Rasm xususiyatlari ushbu nuqtalar yaqinidan hosil bo'lgan, keyin yordamida klasterlanadi k-degani yoki boshqa tegishli algoritm. Ushbu jarayonda vektorli kvantlash, ushbu klasterlarning sentroidlari o'ziga xos ob'ekt qismlari ko'rinishini ifodalovchi deb o'ylashlari mumkin. Muvofiq xususiyat detektorlari keyinchalik tasvirlardan nomzod qismlarining to'plamini olish uchun ishlatilishi mumkin bo'lgan ushbu klasterlar yordamida o'qitiladi.

Ushbu jarayon natijasida har bir rasm endi qismlar to'plami sifatida namoyish etilishi mumkin. Har bir qism yuqorida aytib o'tilgan tashqi ko'rinish klasterlaridan biriga mos keladigan turga, shuningdek, tasvir maydonidagi joyga ega.

Asosiy generativ model

Weber & Welling bu erda oldingi plan va fon. Oldingi qismlar maqsadli ob'ekt sinfining namunasiga mos keladi, aksincha fon qismlar fon tartibsizliklariga yoki noto'g'ri aniqlashlarga mos keladi.

Ruxsat bering T har xil turdagi qismlarning soni bo'lishi. Rasmdan olingan barcha qismlarning pozitsiyalari quyidagi "matritsada" ifodalanishi mumkin,

${displaystyle X ^ {o} = {egin {pmatrix} x_ {11}, x_ {12}, {cdots}, x_ {1N_ {1}} x_ {21}, x_ {22}, {cdots}, x_ {2N_ {2}} vdots x_ {T1}, x_ {T2}, {cdots}, x_ {TN_ {T}} end {pmatrix}}}$

qayerda ${displaystyle N_ {i},}$ turdagi qismlar sonini ifodalaydi ${displaystyle iin {1, nuqtalar, T}}$ tasvirda kuzatilgan. Yuqori belgi o ushbu pozitsiyalar mavjudligini bildiradi kuzatiladigan, aksincha yo'qolgan. Kuzatilmagan ob'ekt qismlarining pozitsiyalari vektor bilan ifodalanishi mumkin ${displaystyle x ^ {m},}$. Ob'ekt tarkib topadi deylik ${displaystyle F,}$ aniq old qismlar. Notatsion soddalik uchun biz bu erda deb o'ylaymiz ${displaystyle F = T,}$, ammo modelni umumlashtirish mumkin ${displaystyle F> T,}$. A gipoteza ${displaystyle h,}$ keyin indekslar to'plami sifatida belgilanadi, bilan ${displaystyle h_ {i} = j,}$, bu nuqtani ko'rsatib turibdi ${displaystyle x_ {ij},}$ - bu oldingi nuqta ${displaystyle X ^ {o},}$. Generativ ehtimollik modeli qo'shma ehtimollik zichligi orqali aniqlanadi ${displaystyle p (X ^ {o}, x ^ {m}, h),}$.

Model tafsilotlari

Ushbu bo'limning qolgan qismida Weber & Welling modelining bitta komponentli modeli uchun batafsil ma'lumotlar keltirilgan. Ko'p komponentli modellar uchun formulalar^[8] bu erda tasvirlanganlarning kengaytmalari.

Qo'shma ehtimollik zichligini parametrlash uchun Weber & Welling yordamchi o'zgaruvchilarni taqdim etadi ${displaystyle b,}$ va ${displaystyle n,}$, qayerda ${displaystyle b,}$ bu aniqlashda qismlarning mavjudligini / yo'qligini kodlovchi ikkilik vektor (${displaystyle b_ {i} = 1,}$ agar ${displaystyle h_ {i}> 0,}$, aks holda ${displaystyle b_ {i} = 0,}$) va ${displaystyle n,}$ bu erda vektor ${displaystyle n_ {i},}$ sonini bildiradi fon ga kiritilgan nomzodlar ${displaystyle i ^ {th}}$ qatori ${displaystyle X ^ {o},}$. Beri ${displaystyle b,}$ va ${displaystyle n,}$ tomonidan to'liq aniqlanadi ${displaystyle h,}$ va hajmi ${displaystyle X ^ {o},}$, bizda ... bor ${displaystyle p (X ^ {o}, x ^ {m}, h) = p (X ^ {o}, x ^ {m}, h, n, b),}$. Parchalanish yo'li bilan,

${displaystyle p (X ^ {o}, x ^ {m}, h, n, b) = p (X ^ {o}, x ^ {m} | h, n, b) p (h | n, b ) p (n) p (b),}$

Fonni aniqlash sonidagi ehtimollik zichligi a tomonidan modellashtirilishi mumkin Poissonning tarqalishi,

${displaystyle p (n) = prod _ {i = 1} ^ {T} {frac {1} {n_ {i}!}} (M_ {i}) ^ {n_ {i}} e ^ {- M_ { men}}}$

qayerda ${displaystyle M_ {i},}$ - bu turdagi fonni aniqlashning o'rtacha soni ${displaystyle i,}$ har bir rasm uchun.

Qismlarning soniga qarab ${displaystyle F,}$, ehtimollik ${displaystyle p (b),}$ yoki aniq uzunlik jadvali sifatida modellashtirish mumkin ${displaystyle 2 ^ {F},}$, yoki, agar ${displaystyle F,}$ kabi katta ${displaystyle F,}$ mustaqil ehtimolliklar, ularning har biri alohida qism mavjudligini tartibga soladi.

Zichlik ${displaystyle p (h | n, b),}$ tomonidan modellashtirilgan

${displaystyle p (h | n, b) = {egin {case} {frac {1} {extstyle prod _ {f = 1} ^ {F} N_ {f} ^ {b_ {f}}}}, & { mbox {if}} hin H (b, n) 0 va {mbox {boshqa}} hend {holatlar uchun}}}$

qayerda ${displaystyle H (b, n),}$ ga mos keladigan barcha farazlar to'plamini bildiradi ${displaystyle b,}$ va ${displaystyle n,}$va ${displaystyle N_ {f},}$ turdagi qismlarni aniqlashning umumiy sonini bildiradi ${displaystyle f,}$. Bu mavjud bo'lgan barcha izchil gipotezalar haqiqatini anglatadi ${displaystyle extstyle prod _ {f = 1} ^ {F} N_ {f} ^ {b_ {f}}}$, qismlarning joylashuvi to'g'risida ma'lumot bo'lmagan taqdirda, ehtimol tengdir.

Va nihoyat,

${displaystyle p (X ^ {o}, x ^ {m} | h, n) = p_ {fg} (z) p_ {bg} (x_ {bg}),}$

qayerda ${displaystyle z = (x ^ {o} x ^ {m}),}$ kuzatilgan va yo'qolgan barcha oldingi aniqlanishlarning koordinatalari va ${displaystyle x_ {bg},}$ fonni aniqlash koordinatalarini aks ettiradi. Shuni esda tutingki, oldingi aniqlanishlar fonga bog'liq emas. ${displaystyle p_ {fg} (z),}$ o'rtacha bilan qo'shma Gauss sifatida modellashtirilgan ${displaystyle mu,}$ va kovaryans ${displaystyle Sigma,}$.

Tasnifi

Ushbu modelning asosiy maqsadi tasvirlarni "ob'ekt mavjud" (sinf) sinflariga ajratishdir ${displaystyle C_ {1},}$) va "ob'ekt yo'q" (sinf ${displaystyle C_ {0},}$) kuzatish berilgan ${displaystyle X ^ {o},}$. Buni amalga oshirish uchun Weber & Welling detektivlarni o'rganish bosqichidan to'liq tasvir bo'ylab boshqaradi va detektorlarning turli kombinatsiyalarini tekshiradi. Agar okklyuziya ko'rib chiqilsa, unda etishmayotgan aniqlanishlar bilan birikmalarga ham ruxsat beriladi. Maqsad, nisbatni hisobga olgan holda, posteriori ehtimoli maksimal bo'lgan sinfni tanlashdir

${displaystyle {frac {p (C_ {1} | X ^ {o})} {p (C_ {0} | X ^ {o})}} propto {frac {sum _ {h} p (X ^ {o }, h | C_ {1})} {p (X ^ {o}, h_ {0} | C_ {0})}}}$

qayerda ${displaystyle h_ {0},}$ barcha qismlarni fon shovqini sifatida tushuntiradigan nol gipotezani bildiradi. Numeratorda yig'indiga barcha farazlar, shu jumladan nol gipoteza kiradi, lekin maxrajda ob'ekt yo'qligiga mos keladigan yagona gipoteza null gipotezadir. Amalda ba'zi bir chegara aniqlanishi mumkin, agar bu nisbat ushbu chegaradan oshib ketsa, biz aniqlanadigan ob'ektning nusxasini ko'rib chiqamiz.

Namunaviy o'rganish

Qiziqish nuqtalarini aniqlash, xususiyatlarni yaratish va klasterlashning dastlabki bosqichidan so'ng bizda o'quv rasmlari ustida nomzodlarning katta qismi mavjud. Modelni o'rganish uchun Weber & Welling birinchi navbatda mumkin bo'lgan konfiguratsiyalar bo'yicha yoki unga teng ravishda nomzod qismlarining potentsial pastki qismlarini ochko'zlik bilan qidiradi. Bu tasodifiy tanlovdan boshlab iterativ tarzda amalga oshiriladi. Keyingi takrorlashlarda modeldagi qismlar tasodifiy ravishda almashtiriladi, model parametrlari baholanadi va ishlash baholanadi. Model ishlashi yanada yaxshilanishi mumkin bo'lmaganda, jarayon tugallanadi.

Har bir takrorlashda model parametrlari

${displaystyle Theta = {mu, Sigma, p (b), M},}$

yordamida baholanadi kutishni maksimal darajaga ko'tarish. ${displaystyle mu,}$ va ${displaystyle Sigma,}$, eslaymizki, qo'shma Gaussning o'rtacha va kovaryansiyasidir ${displaystyle p_ {fg} (z),}$, ${displaystyle p (b),}$ qismlarning ikkilik mavjudligini / yo'qligini tartibga soluvchi ehtimollik taqsimoti va ${displaystyle M,}$ qism turlari bo'yicha fonni aniqlashning o'rtacha soni.

M qadam

EM kuzatilgan ma'lumotlarning ehtimolligini maksimal darajada oshirish orqali davom etadi,

${displaystyle L (X ^ {o} | Teta) = sum _ {i = 1} ^ {I} log sum _ {h_ {i}} int p (X_ {i} ^ {o}, x_ {i} ^ {m}, h_ {i} | Theta) dx_ {i} ^ {m}}$

model parametrlariga nisbatan ${displaystyle Theta,}$. Bunga analitik ravishda erishish qiyin bo'lganligi sababli, EM xarajat funktsiyalari ketma-ketligini maksimal darajada oshiradi,

${displaystyle Q ({ilde {Theta}} | Theta) = sum _ {i = 1} ^ {I} E [log p (X_ {i} ^ {o}, x_ {i} ^ {m}, h_ { i} | {ilde {Theta}})]}$

Parametrlarga nisbatan ushbu lotinni olish va nolga tenglashtirish yangilanish qoidalarini ishlab chiqaradi:

${displaystyle {ilde {mu}} = {frac {1} {I}} sum _ {i = 1} ^ {I} E [z_ {i}]}$

${displaystyle {ilde {Sigma}} = {frac {1} {I}} sum _ {i = 1} ^ {I} E [z_ {i} z_ {i} ^ {T}] - {ilde {mu} } {ilde {mu}} ^ {T}}$

${displaystyle {ilde {p}} ({ar {b}}) = {frac {1} {I}} sum _ {i = 1} ^ {I} E [delta _ {b, {ar {b}} }]}$

${displaystyle {ilde {M}} = {frac {1} {I}} sum _ {i = 1} ^ {I} E [n_ {i}]}$

Elektron qadam

M qadamidagi yangilash qoidalari quyidagicha ifodalanadi etarli statistika, ${displaystyle E [z],}$, ${displaystyle E [zz ^ {T}],}$, ${displaystyle E [delta _ {b, {ar {b}}}],}$ va ${displaystyle E [n],}$, ular orqa zichlikni hisobga olgan holda E-bosqichda hisoblanadi:

${displaystyle p (h_ {i}, x_ {i} ^ {m} | X_ {i} ^ {o}, Theta) = {frac {p (h_ {i}, x_ {i} ^ {m}, X_ {i} ^ {o} | Theta)} {extstyle sum _ {h_ {i} in H_ {b}} int p (h_ {i}, x_ {i} ^ {m}, X_ {i} ^ {o } | Theta) dx_ {i} ^ {m}}}}$

Fergus va boshqalarning usuli.^[10]

Weber va boshqalarda shakl va ko'rinish modellari alohida tuzilgan. Nomzodlar to'plami tanlanganidan so'ng, shakl tashqi ko'rinishdan mustaqil ravishda o'rganiladi. Fergus va boshqalarning yangiliklari. bir vaqtning o'zida nafaqat ikkita, balki uchta model parametrlarini o'rganish: shakl, tashqi ko'rinish va nisbiy o'lchov. Ushbu parametrlarning har biri Gauss zichligi bilan ifodalanadi.

Xususiyatni namoyish qilish

Dastlabki qadam Weber va boshq. qiziqish uyg'otadigan joylarni qidirish usuli, Fergus va boshq. Kadir va Brady detektoridan foydalaning^[12] ikkala joylashuv (markaz) va shkala (radius) bo'yicha tasvirdagi ko'zga ko'ringan hududlarni topish. Shunday qilib, joylashuv ma'lumotlaridan tashqari ${displaystyle X,}$ bu usul shuningdek tegishli o'lchov ma'lumotlarini ajratib oladi ${displaystyle S,}$. Fergus va boshq. keyin ushbu doiraviy mintaqalarni 11 x 11 pikselli yamoqlarga yoki ularga teng keladigan 121 o'lchovli vektorlarga tashqi maydonda chegaralangan kvadratlarni normalizatsiya qiling. Keyinchalik ular 10-15 o'lchamgacha qisqartiriladi asosiy tarkibiy qismlarni tahlil qilish, tashqi ko'rinishga ma'lumot berish ${displaystyle A,}$.

Model tuzilishi

Parametrlari bilan ma'lum bir ob'ekt sinf modeli berilgan ${displaystyle Theta,}$, biz yangi rasmda o'sha sinf namunasini o'z ichiga oladimi yoki yo'qligini hal qilishimiz kerak. Bu Bayesian qarori bilan amalga oshiriladi,

${displaystyle R = {frac {p ({mbox {Object}} | X, S, A)} {p ({mbox {Ob'ekt yo'q}} | X, S, A)}}}$

${displaystyle = {frac {p (X, S, A | {mbox {Object}}) p ({mbox {Object}})} {p (X, S, A | {mbox {Ob'ekt yo'q}}) p ( {mbox {Ob'ekt yo'q}})}}}$

${displaystyle taxminan {frac {p (X, S, A | Theta) p ({mbox {Object}})}} {p (X, S, A | Theta _ {bg}) p ({mbox {No object}} )}}}$

qayerda ${displaystyle Theta _ {bg}}$ fon modeli. Ushbu nisbat chegara bilan taqqoslanadi ${displaystyle T,}$ ob'ektning mavjudligini / yo'qligini aniqlash.

Ehtimollar quyidagicha hisobga olinadi:

${displaystyle p (X, S, A | Theta) = sum _ {hin H} p (X, S, A, h | Theta) =}$

${displaystyle sum _ {hin H} underbrace {p (A | X, S, h, Theta)} _ {mbox {Appearance}} underbrace {p (X | S, h, Theta)} _ {mbox {Shape}} pastki pog'ona {p (S | h, Teta)} _ {mbox {Rel. Scale}} underbrace {p (h | Theta)} _ {mbox {Other}}}$

Tashqi ko'rinish

Har bir qism ${displaystyle p,}$ tashqi ko'rinish makonida Gauss zichligi bilan modellashtirilgan ko'rinishga ega, o'rtacha va kovaryans parametrlari mavjud ${displaystyle Theta _ {p} ^ {app} = {c_ {p}, V_ {p}}}$, boshqa qismlarning zichligiga bog'liq emas. Fon modeli parametrlarga ega ${displaystyle Theta _ {bg} ^ {app} = {c_ {bg}, V_ {bg}}}$. Fergus va boshq. aniqlangan xususiyatlarni hisobga olgan holda, ushbu xususiyatlarning pozitsiyasi va tashqi ko'rinishi mustaqil deb taxmin qiling. Shunday qilib, ${displaystyle p (A | X, S, h, Theta) = p (A | h, Theta),}$. Tashqi ko'rinish atamalarining nisbati kamayadi

${displaystyle {frac {p (A | X, S, h, Theta)} {p (A | X, S, h, Theta _ {bg})}} = {frac {p (A | h, Theta)} {p (A | h, Theta _ {bg})}}}$

${displaystyle = prod _ {p = 1} ^ {P} chap ({frac {G (A (h_ {p}) | c_ {p}, V_ {p})} {G (A (h_ {p})) | c_ {bg}, V_ {bg})}} ight) ^ {b_ {p}}}$

Weber va boshqalarni eslang. bu ${displaystyle h,}$ oldingi qismlar indekslari uchun gipoteza va ${displaystyle b,}$ gipotezadagi har bir qismning okklyuziya holatini beradigan ikkilik vektor.

Shakl

Shakl ma'lum bir gipoteza doirasida qismlar joylashuvining qo'shma Gauss zichligi bilan ifodalanadi, bu qismlar miqyosi o'zgarmas maydonga aylantirilgandan keyin. Ushbu o'zgarish masshtab bo'yicha to'liq qidiruvni amalga oshirish zarurligini istisno qiladi. Gauss zichligi parametrlarga ega ${displaystyle Theta ^ {mbox {shape}} = {mu, Sigma},}$. Fon modeli ${displaystyle Theta _ {bg},}$ maydonga ega bo'lgan rasm bo'ylab bir xil taqsimot deb qabul qilinadi ${displaystyle alfa,}$. Ruxsat berish ${displaystyle f,}$ oldingi qismlarning soni bo'lishi,

${displaystyle {frac {p (X | S, h, Theta)} {p (X | S, h, Theta _ {bg})}} = G (X (h) | mu, Sigma) alfa ^ {f} }$

Nisbatan o'lchov

Har bir qismning ko'lami ${displaystyle p,}$ mos yozuvlar tizimiga nisbatan parametrlari bilan Gauss zichligi bilan modellashtirilgan ${displaystyle Theta ^ {mbox {scale}} = {t_ {p}, U_ {p}},}$. Har bir qism boshqa qismlardan mustaqil deb qabul qilinadi. Fon modeli ${displaystyle Theta _ {bg},}$ oralig'ida, miqyosi bo'yicha yagona taqsimotni nazarda tutadi ${displaystyle r,}$.

${displaystyle {frac {p (S | h, Theta)} {p (S | h, Theta _ {bg})}} = prod _ {p = 1} ^ {P} G (S (h_ {p}) | t_ {p}, U_ {p}) ^ {d_ {p}} r ^ {f}}$

Xususiyatlarni aniqlashning okklyuziyasi va statistikasi

${displaystyle {frac {p (h | Theta)} {p (h | Theta _ {bg})}} = {frac {p_ {mbox {Poiss}} (n | M)} {p_ {mbox {Poiss}} (N | M)}} {frac {1} {^ {n} C_ {r} (N, f)}} p (b | Theta)}$

Birinchi omil a yordamida aniqlangan funktsiyalar sonini modellashtiradi Poissonning tarqalishi O'rtacha M.ga ega bo'lgan ikkinchi omil gipoteza o'zgaruvchisi uchun "buxgalteriya hisobi" omili bo'lib xizmat qiladi. Oxirgi omil barcha mumkin bo'lgan okklyuziya naqshlari uchun ehtimollik jadvali.

O'rganish

Model parametrlarini o'rganish vazifasi ${displaystyle Theta = {mu, Sigma, c, V, M, p (b | Theta), t, U},}$ tomonidan amalga oshiriladi kutishni maksimal darajaga ko'tarish. Bu Weber va boshqalarga o'xshash ruhda amalga oshiriladi. E-qadam va M qadam uchun tafsilotlar va formulalarni adabiyotda ko'rish mumkin.^[11]

Ishlash

Fergus va boshqalar tomonidan o'ylab topilgan Constellation Model. mototsikllar, yuzlar, samolyotlar va dog'li mushuklarning katta ma'lumotlar to'plamlarida doimiy ravishda 90% dan yuqori toifalarga ajratish ko'rsatkichlariga erishadi.^[13] Ushbu to'plamlarning har biri uchun Constellation Model tashqi ko'rinishi va / yoki shakli jihatidan ob'ekt sinfining "mohiyatini" egallashga qodir. Masalan, yuz va mototsikl ma'lumot to'plamlari juda qattiq shakl modellarini yaratadi, chunki ushbu toifadagi ob'ektlar juda aniq tuzilgan, xolatli mushuklar esa pozada sezilarli darajada farq qiladi, lekin juda o'ziga xos dog 'ko'rinishga ega. Shunday qilib, model ikkala holatda ham muvaffaqiyatga erishadi. Shuni ta'kidlash kerakki, Constellation Model odatda yo'nalishda sezilarli o'zgarishlarni hisobga olmaydi. Shunday qilib, agar model gorizontal samolyotlarning tasvirlari bo'yicha o'qitilgan bo'lsa, masalan, vertikal yo'naltirilgan samolyotlarning tasvirlarida u yaxshi ishlamaydi, agar bu model bunday aylanishni aniq hisobga olish uchun kengaytirilmasa.

Hisoblash murakkabligi jihatidan Constellation Model juda qimmat. Agar ${displaystyle N,}$ bu tasvirdagi xususiyatlarni aniqlash soni va ${displaystyle P,}$ ob'ekt modelidagi qismlar soni, keyin faraz maydoni ${displaystyle H,}$ bu ${displaystyle O (N ^ {P}),}$. Chunki E-bosqichida etarli statistikani hisoblash kutishni maksimal darajaga ko'tarish har qanday gipoteza ehtimolini baholashni taqozo etadi, o'rganish eng katta darzlik operatsiyasiga aylanadi. Shu sababli faqat ning qiymatlari ${displaystyle Pleq 6}$ amaliy qo'llanmalarda ishlatilgan va xususiyatlarni aniqlash soni ${displaystyle N,}$ odatda har bir tasvir uchun 20-30 oralig'ida saqlanadi.

O'zgarishlar

Murakkablikni kamaytirishga urinishlarning biri - Fergus va boshqalar tomonidan taklif qilingan yulduz modeli.^[14] Ushbu modelning kamaytirilgan bog'liqliklari o'rganish imkoniyatini beradi ${displaystyle O (N ^ {2} P),}$ vaqt o'rniga ${displaystyle O (N ^ {P}),}$. Bu mashg'ulotlarda ko'proq model qismlarini va tasvir xususiyatlarini ishlatishga imkon beradi. Yulduzli model kamroq parametrlarga ega bo'lgani uchun, shuningdek, kamroq rasmlarda o'qitilganda ortiqcha o'rnatish muammosidan qochish yaxshiroqdir.

Adabiyotlar

Tashqi havolalar

• L. Fei-fei. Ob'ektlarni tasniflash: burjlar modellari. Ma'ruza slaydlari. (2005) (havola ishlamayapti)

Shuningdek qarang

• Qisman modellar
• Bir martalik o'qitish