3、计算机视觉中的知识表示与概率模型探索

计算机视觉中的知识表示与概率模型探索

1. 知识表示范式

在计算机视觉领域，存在三种主要的知识表示范式，分别是逻辑模型、概率模型和判别模型。

1.1 概率模型

概率模型提供了一种不完美的知识表示方式，能够在一定程度的不确定性下根据观察到的信号进行推理。这里的“不完美”并非指知识被噪声干扰，而是意味着知识可以以非绝对的方式、带有一定不确定性来表示。例如，Judea Pearl 在 1984 年描述的贝叶斯信念网络就是这样一种概率模型。在概率模型中，概念不再被视为确定性的集合，而是概率分布，两个概念在其所定义的实例集合中可能会有重叠。

概率图形模型有两种类型：
- 扁平型 ：包括描述性或声明性模型，如约束满足模型、马尔可夫随机场和吉布斯模型。
- 层次型 ：包括生成性或组合性模型，如马尔可夫树、随机上下文无关文法和稀疏编码模型。将上下文信息集成到层次模型中的例子有原始草图、与或图（空间、时间、因果和属性）以及随机上下文敏感文法。

1.2 判别模型

判别模型包括神经网络（如卷积神经网络、循环神经网络）、提升算法、逻辑回归和支持向量机。判别模型通常针对问题中的每个任务有不同的处理流程，例如对象分类、姿态估计和属性识别等任务都有各自的流程。这实际上导致了知识表示的不统一，不利于整体的知识整合。而且，判别模型需要大量的参数（约为 (O(10^7)) 数量级）和大量的数据进行有监督训练（约为 (O(10^6)) 数量级）。

1.3 三种范式的比较

一般来说，在这三种知识表示范式中，判别模型