权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

The second order mean field approximation of graphical models and its application to Bayesian inference

图模型的二阶平均场逼近及其在贝叶斯推理中的应用

基本信息

批准号：
17500088
负责人：
TAKAHASHI Haruhisa
金额：
$ 2.41万
依托单位：
The University of Electro-Communications
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2005
资助国家：
日本
起止时间：
2005 至 2007
项目状态：
已结题

项目摘要

Markov random field (MRF) and its discriminative version have been shown useful for both biological analysis and practical applications. In biological analysis, the debate on neuronal correlations is now continuing in which the analysis of the probability P( r| s) of the neuronal response r conditional on a stimulus s is required, which could be modeled with MRF. In this context the importance of a parametric model for analyzing correlations by modeling joint probability P(r, s) is shown using Gibbs distribution.Several approximation techniques have been proposed for computing state probabilities of MRFs, CRFs, including belief propagation, which is not applicable for MRFs in a general situation. Mean field approximation (MRF) is known as only the generally applicable approximation technique at present.To improve the accuracy of the mean-field approximation several advanced techniques have been proposed. Since the better accuracy we attain, the more intricate equations we get into, it … More becomes hard to know the efficient training procedure. In fact the training procedure is known only for the naive mean-field approximation (NMF), which is not so sufficient for the approximation accuracy.The achievement of this research is to have refined the mean field approximation to alleviate both the testing and learning time, and to have shown the efficient learning scheme for object recognition with the variational phasor mean field model (VPMF). The striking result is that our learning scheme shows comparable testing performance with SVM, despite using much smaller size of training data, and in addition the detection time and the training time are much smaller than SVM based face detection.Performance evaluation of VPMF is given for approximation accuracy, the local minima, and a face recognition problems. We have also attained the conclusion that the correlation of population coding in neural networks is more powerful than just using only the mean firing rate.Performance evaluation of VPMF is given for approximation accuracy, the local minima, and a face recognition problems. Less

马尔可夫随机场（MRF）及其判别式已被证明是有用的生物分析和实际应用。在生物学分析中，关于神经元相关性的争论现在仍在继续，其中概率P（r|需要以刺激s为条件的神经元反应r的s），这可以用MRF建模。在这种情况下，一个参数模型的重要性，分析相关性建模联合概率P（r，s）使用Gibbs distribution.Several近似技术已经提出了计算状态概率的MRF，CRF，包括信念传播，这是不适用于MRF在一般情况下。平均场近似（MRF）是目前已知的唯一普遍适用的近似方法，为了提高平均场近似的精度，人们提出了几种改进的方法。由于我们获得的精度越高，我们进入的方程就越复杂， ...更多信息很难知道有效的训练程序。实际上，训练过程仅针对朴素平均场近似（NMF）而已知，这对于近似精度不是那么充分。本研究的成果是改进平均场近似以减轻测试和学习时间，并且显示了用于对象识别的有效学习方案与变分相量平均场模型（VPMF）。引人注目的结果是，我们的学习方案显示出与SVM相媲美的测试性能，尽管使用更小的训练数据的大小，此外，检测时间和训练时间是远远小于基于SVM的人脸detection.Performance评估VPMF的近似精度，局部极小值，和人脸识别问题。我们还得到了这样的结论，即在神经网络中群体编码的相关性比仅仅使用平均发射率更强大. VPMF的性能评估给出的近似精度，局部极小值，和人脸识别问题.少

项目成果

期刊论文数量（0）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

カーネル主成分分析を用いた学習機械のパラメタ自動決定法

基于核主成分分析的学习机参数自动确定方法

DOI：
发表时间：
2007
期刊：
影响因子：
0
作者：
関口涼平;高橋治久;堀田一弘
通讯作者：
堀田一弘

Variational phasor mean field model for object recognition

DOI：
10.1109/isccsp.2008.4537275
发表时间：
2008-03
期刊：
2008 3rd International Symposium on Communications, Control and Signal Processing
影响因子：
0
作者：
Haruhisa Takahashi
通讯作者：
Haruhisa Takahashi

カーネル主成分分析を用いた学習機械のパラメータ自動決定法

基于核主成分分析的学习机参数自动确定方法

DOI：
发表时间：
2008
期刊：
情報処理学会(TOM20) Vol.49,
影响因子：
0
作者：
関口涼平;高橋治久;堀田一弘
通讯作者：
堀田一弘

Phasor Mean Field Model for Image Processing

用于图像处理的相量平均场模型

DOI：
发表时间：
2007
期刊：
1~<st> International Conference on "Robot and Artificial Intelligence Robot Vision
影响因子：
0
作者：
H.Hamano;F.Fukumoto;Haruhisa Takahashi
通讯作者：
Haruhisa Takahashi

One-class SVMを用いた顕微鏡画像からの粒子検出と計数

使用一类 SVM 从显微图像中检测和计数颗粒