Markov Random Fields를 사용하여 이미지의 영역을 분할하는 방법을 배우려고합니다. MRF의 일부 매개 변수를 이해하지 못하거나 수행하는 기대 최대화가 때때로 솔루션에 수렴하지 못하는 이유를 이해하지 못합니다.
베이 즈 정리에서 시작하여 . 여기서 y 는 픽셀의 회색조 값이고 x 는 클래스 레이블입니다. p ( y | x )에 대해 Gaussian 분포를 사용하기로 선택한 반면 p ( x ) 는 MRF를 사용하여 모델링되었습니다.
나는 페어 와이즈 클릭 포텐셜과 분류되는 픽셀의 클래스 라벨에 대한 포텐셜 값을 모두 갖는 MRF에 포텐셜 함수를 사용합니다. 단일 픽셀 전위 값은 클래스 레이블 x 에 의존하는 일정한 입니다 . 페어 와이즈 포텐셜 함수는 4 개의 연결된 이웃에 대해 평가 되며 이웃에이 픽셀과 동일한 클래스 레이블이있는 경우 양의 β를 반환 하고 - 라벨 다르면.
로그 우도의 예상 값을 최대화하는 및 β 값을 찾아야하는 기대 극대화의 시점에서 나는 수치 최적화 방법 (시도 된 켤레 구배, BFGS, Powell의 방법)을 사용했지만 항상 β 의 값 이 음수가되고, α 가 급격히 증가하고, 반복 또는 2 년 후에 전체 이미지가 하나의 레이블에만 할당 됨을 알 수 있습니다 (배경 : MRF 매개 변수가 지정된 클래스 레이블 할당은 ICM을 사용하여 수행됨). 알파를 제거했다면 (즉, 페어 단위의 클릭 전위 만 사용하는 경우) 기대 최대화는 제대로 작동합니다.
각 클래스의 알파 목적이 무엇인지 설명해주세요. 나는 그들이 이미지에 존재하는 클래스의 양과 관련이 있다고 생각했지만 그렇지는 않습니다. MRF가 페어 와이즈 전위로만 작동하게되면이를 직선 가우시안 혼합 모델과 비교하여 거의 동일한 결과를 얻었습니다. 나는 짝을 이루는 잠재력이 클래스를 약간 부드럽게 할 것으로 기대했지만 그 일은 일어나지 않았습니다. 내가 잘못한 곳을 알려주세요.