【论文阅读笔记】Recursive Unsupervised Learning of Finite Mixture Models

最新推荐文章于 2024-09-21 14:48:47 发布
最新推荐文章于 2024-09-21 14:48:47 发布
阅读量3.1k 收藏 2
点赞数 2
分类专栏： ▶ 深度学习-计算机视觉 文章标签： 算法 机器学习 概率论 数学建模 高斯赛德尔迭代法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44936889/article/details/104070951
版权
本文详细解析了《Recursive Unsupervised Learning of Finite Mixture Models》论文，介绍了如何选择混合模型的数量和初始化参数，重点讲解了最大似然估计、最大期望估计（EM算法）及其在高斯混合模型中的应用，还提出了一个实用的递归（在线）解决方案，涉及参数更新和模型选择策略。
摘要由CSDN通过智能技术生成

《Recursive Unsupervised Learning of Finite Mixture Models》（有限混合模型的递归无监督学习）

（一）论文地址：

《Recursive Unsupervised Learning of Finite Mixture Models》

这篇文章并不是针对cv领域的高斯混合模型算法，其提出的算法是一个通用框架，其中opencv使用的cv2.createBackgroundSubtractorMOG2这个背景分割类，就是基于本文的理论。

opencv的应用写在这篇论文中：
《Efficient adaptive density estimation per image pixel for the task of background subtraction》

（二）abstract-提要：

对于现有的混合模型算法，有两个开放性问题有待解决：

  1. 如何选取混合模型中的模型数量M；
  2. 如何进行模型参数
了解本专栏 订阅专栏 解锁全文 超级会员免费看
BIT可达鸭
关注
专栏目录
订阅专栏
【论文阅读笔记】NeurIPS2020文章列表Part1
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
Unsupervised Learning Of Finite Mixture Models
08-12
Iteratively suboptimal approaches to EM method
数据缺失的坑，无监督学习这样帮你补了
weixin_34032779的博客
11-07 449
无监督学习（UL）有很多没开发的潜力。它是一门从“未标记”数据中推导一个函数来描述其隐藏结构的艺术。但首先，从数据中找到其结构是什么意思呢？ 让我们来看以下两个例子： 气泡状分布：这个简单。任何人看到这张图都会认为它是由三个不同的簇组成的。如果你对统计学非常熟悉，你可能还会猜想它由三个隐藏的高斯分布构成。对一个新的数据样本，查看它的位置，人们就能推...
运动目标检测——GMM高斯混合模型
hello world
07-31 3853
对基于高斯混合模型的背景建模方法进行总结 1. 1999，Stauffer C & Grimson GMM paper: Adaptive Background Mixture Models for Real-Time Tracking 博客上的许多代码都是基于这个模型来写的； bgslibrary的DPGrimsonGMMBGS代码 OpenCV中的MOG，位于之前的版本中。在OpenCV3.x的版本中没有MOG源码了。Opencv2.4.13.6的源码地址：opencv/modules
Finite Mixture Models
04-03
Finite Mixture Models An up-to-date, comprehensive account of major issues in finite mixture modeling
前景检测算法_3(GMM)
weixin_33816300的博客
06-02 1178
摘要   　　本文通过opencv来实现一种前景检测算法——GMM，算法采用的思想来自论文[1][2][4]。在进行前景检测前，先对背景进行训练，对图像中每个背景采用一个混合高斯模型进行模拟，每个背景的混合高斯的个数可以自适应。然后在测试阶段，对新来的像素进行GMM匹配，如果该像素值能够匹配其中一个高斯，则认为是背景，否则认为是前景。由于整个过程GMM模型在不断更新学习中，所以对动态背景有一定...
ICLR 2013 International Conference on Learning Representations深度学习论文papers
GarfieldEr007的专栏
03-29 3053
ICLR 2013 International Conference on Learning Representations May 02 - 04, 2013, Scottsdale, Arizona, USA   ICLR 2013 Workshop Track Accepted for Oral Presentatio
关于高斯混合模型（GMM）的论文集
07-03
"2004-Recursive Unsupervised Learning of Finite Mixture Models"可能讨论了如何无监督地递归学习有限混合模型，这是GMM的一个重要方面。在没有标签数据的情况下，这种方法能自动发现数据的结构。 "1997-Pfinder:...
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
顶会速递 | ICLR 2020录用论文全集
语言智能技术笔记簿
03-10 1万+
由深度学习三巨头Yoshua Bengio和Yann LeCun牵头创办的人工智能顶会ICLR今年最终收到2594篇投稿，共687篇论文被接收，其中48篇orals，108篇spotlights，531篇posters，录取率为26.5%，相比去年的31.4%略有下降。华人学者占比为47%。这篇博客为大家列出全部录用的论文列表，方便大家自取。
两组回归系数差异检验_[求助]STATA中ttest如何检验两组样本回归系数的差异
weixin_36200490的博客
01-17 3860
How do you test the equality of regression coefficients that are generated from two different regressions, estimated on two different samples?TitleTesting the equality of coefficients across independe...
利用Python实现高斯混合模型（GMM）
热门推荐
戴璞微的学习之路
07-20 4万+
前言 之前将网易公开课上吴恩达机器学习视频中高斯混合模型（GMM）及其EM算法反反复复看了几遍之后并将所有公式重新推导了一遍，现在利用Python进行手写进一步加深理解。关于吴恩达机器学习中相关讲义的整理另行抽时间进行上传博客。 Python代码 #!/usr/bin/python3 # -*- coding: utf-8 -*- # @Time : 2018/7/19 10:...
收藏！编码器中如何融入结构信息？这几篇论文一定不要错过
算法码上来
02-18 1411
引言 编码器已经成为了很多 NLP 模型中的基本结构。不管你是做机器翻译，还是做句法分析，不管你是需要得到单词的上下文表示，还是需要得到句子的表示，你都需要一个强有力的编码器。输入一个句子，编码器最终输出每个单词的表示或者整个句子的表示。 而近些年来 NLP 领域用的比较多的编码器有 CNN ，RvNN ，RNN （尤其是 LSTM）和 Tr...
前景检测算法（五）--GMM，GMM2，GMG
工作笔记
07-06 2万+
GMM是网上到处可见且用得最多的背景建模算法，论文上很多相关概率公式，又看了很多博客对于GMM的解释，直到现在还总是觉得很难理解其中的真谛，从各方面整理一下目前自己所理解的内容，如果有理解偏差，欢迎指正。         Mog2用的是自适应的高斯混合模型（Adaptive GMM，Gaussian Mixture Model），在OpenCV中开源了的几种背景提取算法MOG，MO
Python爬取某猫投诉数据（含signature参数分析与算法还原）
吴秋霖的博客
09-15 1188
使用Python爬取某猫投诉的数据（包含加密参数分析与算法的还原）
力扣 16.最接近的三数之和
qq_51352130的博客
09-16 408
设 s=nums[i]+nums[j]+nums[k]，为了判断 s 是不是与 target 最近的数，我们还需要用一个变量 minDiff 维护 ∣s−target∣ 的最小值。分类讨论：如果 s=target，那么答案就是 s，直接返回 s。如果 s>target，那么如果 s−target<minDiff，说明找到了一个与 target 更近的数，更新 minDiff 为 s−target，更新答案为 s。然后和三数之和一样，把 k 减一。
【百日算法计划】：每日一题，见证成长（016）
码上一元
09-18 329
百日算法计划：环形链表
尊享面试100题
最新发布
qq_71286244的博客
09-21 304
尊享面试100题
你知道ReBeL（Recursive Bootstrap-based Enhancements to Learning）吗？
05-10
是的，我知道ReBeL。ReBeL是由Carnegie Mellon大学和Facebook AI开发的一种新的强化学习算法，它结合了蒙特卡罗树搜索和自博弈，可以在多种博弈中取得极佳的结果。ReBeL的核心思想是通过自我对弈来提高自己的对弈...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

BIT可达鸭

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值