Bayesian Segmentation of Oceanic SAR Images: Application to Oil Spill Detection
针对SAR图像的海洋分割问题,介绍了贝叶斯监督分割和无监督分割算法。数据项\emph{i.e} .,通过具有给定的预定义数量的分量的伽马密度的有限混合来对给定区域的观测到的反向散射信号的密度进行建模。为了估计类条件密度的参数,提出了一种新的期望最大化算法。先验是一个多层次的逻辑马尔可夫随机场执行本地连续性在统计意义上。控制施加在场景上的均匀度的平滑参数自动估计,通过计算与循环的信念传播的证据,经典的编码和最小二乘拟合方法也被认为是。最大后验分割计算效率最高,通过最近的图形切割技术,即$α$ -扩展算法,扩展的方法,以一个可选的数量的类。模拟图像以及包含石油泄漏的真实ERS和Envisat场景说明了所提出方法的有效性。
2010-07-26 stat.AP
Fast unsupervised Bayesian image segmentation with adaptive spatial regularisation
University of Bristol(布里斯托大学);Heriot Watt University(赫瑞瓦特大学)
本文提出了一种新的贝叶斯估计技术,隐藏的Potts-Markov随机场与未知的正则化参数,应用于快速无监督的K类图像分割。该技术是通过首先去除正则化参数从贝叶斯模型的边缘化,然后由小方差渐近(SVA)分析,其中的空间正则化和整数约束的波茨模型的条款解耦。这个SVA贝叶斯估计的评估,然后放松到一个问题,可以有效地计算通过迭代求解凸全变差去噪问题和最小二乘聚类(K-均值)问题,这两个问题都可以直接解决,即使在高维度,并与并行计算技术。这导致了一种快速的完全无监督贝叶斯图像分割方法,其中空间正则化的强度在推理过程中自动适应于观察到的图像,并且可以很容易地应用于大型2D和3D场景或需要低计算时间的应用中。在真实图像上的实验结果,以及与最先进算法的广泛比较,证实了所提出的方法提供了非常快的收敛速度,并产生准确的分割结果,具有自调整正则化参数的重要附加优势。
2016-02-02 cs.CV stat.CO
MAP segmentation in Bayesian hidden Markov models: a case study
University of Tartu(塔尔图大学);Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
考虑了贝叶斯环境下有限状态和有限发射字母表隐马尔可夫模型(HMM)的最大后验概率(MAP)状态序列的估计问题,其中发射矩阵和转移矩阵都具有Dirichlet先验.我们研究了由数千个蛋白质比对对组成的训练集。训练数据用于设置贝叶斯MAP分割的先验超参数。由于Viterbi算法不再适用,没有简单的过程来找到MAP路径,并考虑和比较几种迭代算法。本文的主要目标是测试贝叶斯设置对频率论,其中的参数估计使用的训练数据。
2020-04-17 cs.LG stat.CO stat.ML
Bayesian Node Edge Modeling of Road Crashes in Central Bogotá
Universidad Nacional de Colombia(哥伦比亚国立大学)
本研究针对波哥大市中心的道路事故数据,采用贝叶斯负二项节点-边模型分析路段与交叉口的事故影响因素,为城市事故分析提供了可解释基线,同时指出路段结果需谨慎解读。
2026-08-12 stat.AP
Inverse Renormalization Group Transformation in Bayesian Image Segmentations
Tohoku University(东北大学);Yamagata University(山形大学);Kyoto University(京都大学)
提出了一种新的贝叶斯图像分割算法,该算法将循环置信传播和逆实空间重整化群变换相结合,以减少计算时间。在我们的实验结果中,我们观察到,所提出的方法可以减少计算时间,传统的贝叶斯方法所采取的不到十分之一。
2015-01-05 cond-mat.stat-mech cs.CV stat.ML
Fully Automatic Brain Tumor Segmentation using a Normalized Gaussian Bayesian Classifier and 3D Fluid Vector Flow
University of Alberta(阿尔伯塔大学)
从磁共振图像(MRI)分割脑肿瘤是测量肿瘤对治疗的反应的重要任务。然而,自动分割非常具有挑战性。提出了一种基于归一化高斯贝叶斯分类和新的三维流体矢量流(FVF)算法的脑肿瘤自动分割方法。在我们的方法中,归一化高斯混合模型(NGMM)的建议,并用于健康的脑组织建模。利用高斯贝叶斯分类器从测试脑MR图像中获取高斯贝叶斯脑图(GBBM)。进一步处理GBBM以初始化3D FVF算法,该算法分割脑肿瘤。该算法有两个主要贡献。首先,我们提出了一个NGMM模型健康的大脑。其次,我们将我们的2D FVF算法扩展到3D空间,并将其用于脑肿瘤分割。所提出的方法是在一个公开的数据集上进行验证。
2019-05-01 cs.CV cs.LG cs.MM
Efficient Bayesian analysis of multiple changepoint models with dependence across segments
研究了一类多变点模型的贝叶斯分析。虽然有各种有效的方法来分析这些模型,如果与每个部分相关联的参数是独立的,有几个一般的方法模型的参数是依赖的。假设依赖是马尔可夫的,我们提出了一个有效的在线算法的采样从近似的后验分布的数量和位置的变化点。在模拟研究中,我们表明,引入的近似是可以忽略的。我们说明了我们的方法的力量,通过拟合分段多项式模型的数据,在一个模型下,允许连续性或不连续性的基础曲线在每个变化点。这种方法是有竞争力的,或优于,从噪声数据推断曲线的其他方法,唯一的,它允许推断的基础曲线中的不连续性的位置。
2009-10-16 stat.CO stat.ML
Bayesian Generative Models for Knowledge Transfer in MRI Semantic Segmentation Problems
基于深度学习的自动分割方法最近表现出最先进的性能,优于普通方法。然而,这些方法不适用于小数据集,这是非常常见的医疗问题。为此,我们提出了一种通过生成贝叶斯先验网络的疾病之间的知识转移方法。我们的方法与预训练方法和随机初始化进行了比较,并在脑肿瘤分割2018数据库(BRATS 2018)的小子集的Dice相似系数度量方面获得了最佳结果。
2020-05-27 eess.IV stat.ML
Bayesian Generative Models for Knowledge Transfer in MRI Semantic Segmentation Problems
ADASE;Skoltech(斯科尔科沃科技学院)
基于深度学习的自动分割方法最近表现出最先进的性能,优于普通方法。然而,这些方法不适用于小数据集,这是非常常见的医疗问题。为此,我们提出了一种通过生成贝叶斯先验网络的疾病之间的知识转移方法。我们的方法与预训练方法和随机初始化进行了比较,并在脑肿瘤分割2018数据库(BRATS 2018)的小子集的Dice相似系数度量方面获得了最佳结果。
2019-08-15 cs.CV cs.LG eess.IV
Bayesian nonparametric shared multi-sequence time series segmentation
KTH Royal Institute of Technology(瑞典皇家理工学院);University of Bath(巴斯大学);University of Bristol(布里斯托大学)
在本文中,我们介绍了一种方法分割时间序列数据使用贝叶斯非参数的工具。我们考虑的任务是将一组时间序列数据的时间分割成具有代表性的固定段。我们使用高斯过程(GP)先验知识的基础上的固定段的特性,并使用非参数分布划分成这样的段序列,制定在段长度的先验分布。给定分割,该模型可以被视为高斯混合模型的变体,其中使用GP的协方差函数来描述混合分量。我们证明了我们的模型的有效性合成数据,以及对实时的-系列数据的心跳,其中的任务是分割的指示性类型的心跳和分类的心跳记录到类,对应于健康和异常的心音。
2020-01-27 cs.LG stat.ML
A Fully Bayesian Infinite Generative Model for Dynamic Texture Segmentation
Sharif University of Technology(谢里夫理工大学);City University of Hong Kong(香港城市大学)
生成式动态纹理模型(GDTM)被广泛用于视频序列的动态纹理(DT)分割。GDTM将DT表示为一组线性动态系统(LDS)。这些模型的一个主要限制是自动选择适当数量的DT。Dirichlet过程混合模型是近年来出现的非参数贝叶斯统计的基石,是解决这一问题的一个乐观的候选者。在此动机下,以解决上述缺点,我们提出了一种新的非参数完全贝叶斯方法DT分割,制定的基础上,一个联合的DSPER和GDTM建设。这种相互作用使得算法能够适当地克服自动分割的问题。我们推导出变分贝叶斯期望最大化(VBEM)推断所提出的模型。此外,在E-步骤的推理,我们应用Rauch-Tung-Striebel平滑(RTSS)算法的变分贝叶斯LDSS。最后,对不同的视频序列进行了实验。实验结果表明,该算法在效率和准确性上明显优于以往的方法。
2019-01-13 cs.GR cs.LG stat.ML
Bayesian nonparametric image segmentation using a generalized Swendsen-Wang algorithm
无监督图像分割的目的是将图像的像素集合聚类成空间上均匀的区域。我们在这里介绍了一类贝叶斯非参数模型来解决这个问题。这些模型是基于一个组合的一个Potts样的空间平滑组件和一个用于控制集群的数量和大小的分区的先验。这类模型足够灵活,可以包括标准的Potts模型和最近的Potts-Dirichlet过程模型\cite{Orbanz2008}。更重要的是,可以引入任何关于分区的先验来控制全局聚类结构,以便在必要时可以惩罚小的或大的聚类。贝叶斯计算使用原来的广义Swendsen-Wang算法。实验表明,我们的方法是有竞争力的RAND\指数相比,流行的图像分割方法,如均值漂移,和最近的替代贝叶斯非参数模型。
2016-02-09 stat.ML
Fast algorithms of Bayesian Segmentation of Images
提出了灰度图像和彩色图像贝叶斯分割的网络流优化方法。假设图像像素由取有限个任意有理值(可以是图像的强度值或其他特征)的特征函数来表征。同质像素的聚类由具有另一组有理数中的值的标签来描述。假设它们是相关的,并根据指数或高斯吉布斯定律分布。代替传统上使用的最近像素的局部邻域,所有像素的依赖性的完全连通图被用于吉布斯先验分布。开发的方法减少分割的问题的最小网络切割的确定的问题。
2002-06-19 math.OC math.ST stat.TH
Change-point Detection and Segmentation of Discrete Data using Bayesian Context Trees
提出基于 Bayesian Context Trees 的贝叶斯框架,结合 MCMC 精确推断离散时间序列的变点数量、位置及各段可变记忆 Markov 模型。
2025-01-10 stat.AP stat.ME stat.ML
A cross-center smoothness prior for variational Bayesian brain tissue segmentation
University of Copenhagen(哥本哈根大学);Erasmus Medical Center(伊拉斯谟医学中心)
假设一个人面临着MR图像中的组织分割的挑战,在其中心没有注释器来提供标记的训练数据。一种选择是去另一个医疗中心接受训练的分类器。遗憾的是,由于中心特定的采集协议引起的体素强度偏移,组织分类器不能很好地跨中心推广。然而,分割的某些方面,如空间平滑度,保持相对一致,可以单独学习。在这里,我们提出了一个平滑之前,适合在另一个医疗中心产生的分割。这种信息先验被呈现给无监督贝叶斯模型。该模型对体素强度进行聚类,从而产生与其他医疗中心的分割类似的平滑分割。此外,无监督贝叶斯模型扩展到一个半监督的变体,它不需要到组织的聚类的视觉解释。
2019-03-11 cs.CV cs.LG stat.ML
Knowing what you know in brain segmentation using Bayesian deep neural networks
National Institute of Mental Health(国家精神卫生研究所);McGovern Institute for Brain Research, Massachusetts Institute of Technology(麻省理工学院麦戈文脑研究所)
在本文中,我们描述了一种贝叶斯深度神经网络(DNN),用于在几分钟而不是几小时内预测结构MRI体积的FreeSurfer分割。该网络在一个大型数据集(n = 11,480)上进行了训练和评估,该数据集是通过组合来自100多个不同站点的数据获得的,并且还在另一个完全保留的数据集(n = 418)上进行了评估。该网络使用一种新的尖峰和板辍学为基础的变分推理方法进行训练。我们表明,在这些数据集上,所提出的贝叶斯DNN在分割预测和FreeSurfer标签之间的相似性以及这些预测的估计不确定性的有用性方面优于以前提出的方法。特别是,我们证明了该网络在每个体素上的预测不确定性是网络是否出错的一个很好的指标,并且整个大脑的不确定性可以预测扫描的手动质量控制评级。所提出的贝叶斯DNN方法应该适用于任何新的网络架构,以解决分割问题。
2019-09-18 cs.CV cs.LG stat.ML
Bayesian Regression of Piecewise Constant Functions
我们推导出一个精确和有效的贝叶斯回归算法的分段常数函数的未知段数,边界位置和水平。它适用于任何噪声和段级先验,例如可以处理离群值的Cauchy。我们得到简单,但很好的估计段内方差。我们还提出了贝叶斯回归曲线作为平滑数据而不模糊边界的更好方法。贝叶斯方法还允许直接确定证据、断裂概率和误差估计,这对于模型选择以及显著性和稳健性研究非常有用。我们讨论了合成和现实世界的例子的性能。将讨论许多可能的扩展。
2006-06-13 cs.LG math.PR math.ST
Bayesian image segmentations by Potts prior and loopy belief propagation
Tohoku University(东北大学);Yamagata University(山形大学);National Tsing Hua University(国立清华大学)
提出了一种基于Potts先验和循环置信传播的贝叶斯图像分割模型。该贝叶斯模型涉及到Potts模型的两两交互作用、彩色图像建模中高斯分布的平均向量和协变矩阵。这些术语通常被称为统计机器学习理论中的超参数。为了确定这些超参数,我们提出了一个新的方案,超参数估计的基础上的条件最大化熵的Potts先验。该算法基于循环置信传播算法。此外,我们比较了我们的条件最大熵框架与传统的最大似然框架,也澄清如何在LBP的Potts模型的一阶相变影响我们的超参数估计程序。
2014-08-18 cond-mat.dis-nn cond-mat.stat-mech cs.CV
From a Point Cloud to a Simulation Model: Bayesian Segmentation and Entropy based Uncertainty Estimation for 3D Modelling
BMW Group(宝马集团);Alpen-Adria-University Klagenfurt(克拉根福阿尔卑斯-亚德里亚大学)
室内环境的3D建模和过程模拟的生成在工厂和装配规划中发挥着重要作用。在棕地规划案例中,现有数据通常是过时和不完整的,特别是对于旧工厂,这些工厂主要是以2D规划的。因此,当前的环境模型不能直接基于现有数据生成,并且关于如何以高度自动化的方式构建这样的工厂模型的整体方法几乎不存在。在生产工厂中生成环境模型的主要步骤包括数据收集和预处理、对象识别以及姿态估计。在这项工作中,我们详细阐述了一个有条不紊的工作流程,从大规模室内环境的数字化开始,到静态环境或模拟模型的生成结束。使用能够进行点云分割的贝叶斯神经网络来实现对象识别步骤。我们阐述了如何使用贝叶斯分割框架产生的网络不确定性信息,以建立一个更准确的环境模型。数据收集和点云分割的步骤,以及由此产生的模型的准确性进行评估的真实世界的数据集收集在一个大规模的汽车生产工厂的装配线。分割网络进一步评估公开的斯坦福大学大规模三维室内空间数据集。贝叶斯分割网络显然超过了频率论基线的性能,并允许我们大大提高模拟场景中模型放置的准确性。
2021-02-04 cs.LG stat.ML
Bayesian Optimization with Output-Weighted Optimal Sampling
Massachusetts Institute of Technology(麻省理工学院)
在贝叶斯优化中,考虑输出相对于输入的重要性是一项至关重要但具有挑战性的工作,因为它可以大大改善最终结果,但通常涉及不准确和繁琐的熵估计。我们从重要性抽样理论的角度来处理这个问题,并主张使用似然比来引导搜索算法向输入空间的区域,其中要最小化的目标函数假设异常小的值。似然比作为一个抽样权重,可以在每次迭代计算,而不会严重恶化算法的整体效率。特别是,它可以近似的方式,使该方法在高维易于处理。在这项工作中引入的“似然加权”的采集功能被发现在许多应用中优于其未加权的同行。
2020-10-03 cs.LG stat.ML
A Review of Bayesian Uncertainty Quantification in Deep Probabilistic Image Segmentation
Eindhoven University of Technology(埃因霍温理工大学)
本文综述了深度概率图像分割中贝叶斯不确定性量化的关键概念与挑战,提出标准化框架并指导未来研究方向。
2026-02-18 cs.AI cs.CV cs.LG
Bayesian Detection of Abnormal ADS in Mutant Caenorhabditis elegans Embryos
细胞分裂时间对于胚胎发生过程中的细胞命运特化和形态发生至关重要。在发育过程中,细胞之间的分裂时间是如何调节的,人们还知之甚少。在这里,我们集中在姐妹细胞之间的分裂(ADS)的野生型和突变体的秀丽隐杆线虫个体之间的能力的比较。由于每个突变基因的突变个体的重复数(通常为1)远小于野生型,因此直接比较野生型和突变型之间的ADS的两个分布(如Kolmogorov-Smirnov检验)是不可行的。另一方面,我们发现野生型中ADS有时与相应母细胞的寿命相关。因此,我们应用半参数贝叶斯分位数回归方法来估计ADS相对于野生型个体的母细胞寿命的95%置信区间曲线。然后,在相应的置信区间之外的多个类型的ADS被选为异常的一个,显著性水平为0.05。仿真实验证明了该方法的准确性,基因富集分析验证了真实数据集的结果。
2018-03-13 q-bio.QM stat.AP