+ All Categories
Home > Documents > Bayesian and Markov Random Fields

Bayesian and Markov Random Fields

Date post: 05-Apr-2018
Category:
Upload: telnet2
View: 232 times
Download: 0 times
Share this document with a friend

of 143

Transcript
  • 8/2/2019 Bayesian and Markov Random Fields

    1/143

    B a y e s i a n M e t h o d s a n d

    M a r k o v R a n d o m F i e l d s

    M a r i o A . T . F i g u e i r e d o

    D e p a r t m e n t o f E l e c t r i c a l a n d C o m p u t e r E n g i n e e r i n g

    I n s t i t u t o S u p e r i o r T e c n i c o

    L i s b o a , P O R T U G A L

    e m a i l : m t f @ l x . i t . p t

    T h a n k s : A n i l K . J a i n a n d R o b e r t D . N o w a k,

    M i c h i g a n S t a t e U n i v e r s i t y , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    2/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    M o s t i m a g e a n a l y s i s p r o b l e m s a r e \ i n f e r e n c e " p r o b l e m s :

    g

    O b s e r v e d i m a g e

    \ I n f e r e n c e "

    //f

    I n f e r r e d i m a g e

    F o r e x a m p l e , \ e d g e d e t e c t i o n " :

    \ I n f e r e n c e "

    //

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 2

  • 8/2/2019 Bayesian and Markov Random Fields

    3/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    T h e w o r d \ i m a g e " s h o u l d b e u n d e r s t o o d i n a w i d e s e n s e . E x a m p l e s :

    C o n v e n t i o n a l i m a g e

    C T i m a g e

    0 5 10 15 20 250

    5

    10

    15

    0

    5

    F l o w i m a g e

    R a n g e i m a g e

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 3

  • 8/2/2019 Bayesian and Markov Random Fields

    4/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    E x a m p l e s o f \ i n f e r e n c e " p r o b l e m s

    I m a g e r e s t o r a t i o n

    E d g e d e t e c t i o n

    0 20 40 60 80 100 120 140 160 180

    20

    40

    60

    80

    100

    120

    140

    C o n t o u r e s t i m a t i o n

    T e m p l a t e m a t c h i n g

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 4

  • 8/2/2019 Bayesian and Markov Random Fields

    5/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    M a i n f e a t u r e s o f \ i m a g e a n a l y s i s " p r o b l e m s

    T h e y a r e i n f e r e n c e p r o b l e m s , i . e . , t h e y c a n b e f o r m u l a t e d a s :

    \ f r o mg

    , i n f e rf "

    T h e y c a n n o t b e s o l v e d w i t h o u t u s i n g a p r i o r i k n o w l e d g e .

    B o t h

    fa n d

    ga r e h i g h - d i m e n s i o n a l .

    ( e . g . , i m a g e s ) .

    T h e y a r e n a t u r a l l y f o r m u l a t e d a s s t a t i s t i c a l i n f e r e n c e p r o b l e m s .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 5

  • 8/2/2019 Bayesian and Markov Random Fields

    6/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    I n t r o d u c t i o n t o B a y e s i a n t h e o r y

    B a s i c a l l y , t h e B a y e s i a n a p p r o a c h p r o v i d e s a w a y t o \ i n v e r t " a n

    o b s e r v a t i o n m o d e l , t a k i n g p r i o r k n o w l e d g e i n t o a c c o u n t .

    f

    U n k n o w n

    //

    k n o w l e d g e

    $,

    '& %$! "#O b s e r v a t i o n m o d e l

    //

    k n o w l e d g e

    g

    O b s e r v e d

    BCoo

    b

    f

    I n f e r r e d

    '& %$! "#B a y e s i a n d e c i s i o noo

    I n f e r r e d = e s t i m a t e d , o r

    d e t e c t e d , o r c l a s s i e d , . . .

    L o s s f u n c t i o n

    KS

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 6

  • 8/2/2019 Bayesian and Markov Random Fields

    7/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    T h e B a y e s i a n p h i l o s o p h y

    K n o w l e d g e,

    p r o b a b i l i t y

    A s u b j e c t i v e ( n o n - f r e q u e n t i s t ) i n t e r p r e t a t i o n o f p r o b a b i l i t y .

    P r o b a b i l i t i e s e x p r e s s \ d e g r e e s o f b e l i e f " .

    E x a m p l e : \ t h e r e i s a 2 0

    %p r o b a b i l i t y t h a t a c e r t a i n p a t i e n t h a s a

    t u m o r " . S i n c e w e a r e c o n s i d e r i n g o n e p a r t i c u l a r p a t i e n t , t h i s

    s t a t e m e n t h a s n o f r e q u e n t i a l m e a n i n g i t e x p r e s s e s a d e g r e e o f b e l i e f.

    I t c a n b e s h o w n t h a t p r o b a b i l i t y t h e o r y i s t h e r i g h t t o o l t o f o r m a l l y

    d e a l w i t h \ d e g r e e s o f b e l i e f " o r \ k n o w l e d g e "

    C o x ( 4 6 ) , S a v a g e ( 5 4 ) , G o o d ( 6 0 ) , J e r e y s ( 3 9 , 6 1 ) , J a y n e s ( 6 3 , 6 8 , 9 1 ) .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 7

  • 8/2/2019 Bayesian and Markov Random Fields

    8/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    B a y e s i a n d e c i s i o n t h e o r y

    K n o w l e d g e a b o u tf

    p ( f )

    $,

    O b s e r v a t i o n m o d e l

    p ( g j f )

    L o s s f u n c t i o n

    L ( f

    b

    f )

    rzB a y e s i a n d e c i s i o n t h e o r y

    O b s e r v e d d a t a

    g

    //

    '& %$

    ! "#

    D e c i s i o n r u l e

    b

    f = ( g )

    A n \ a l g o r i t h m "

    //I n f e r r e d q u a n t i t y

    b

    f

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 8

  • 8/2/2019 Bayesian and Markov Random Fields

    9/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    H o w a r e B a y e s i a n d e c i s i o n r u l e s d e r i v e d ?

    B y a p p l y i n g t h e f u n d a m e n t a l p r i n c i p l e s o f t h e B a y e s i a n p h i l o s o p h y :

    K n o w l e d g e i s e x p r e s s e d v i a p r o b a b i l i t y f u n c t i o n s .

    T h e \ c o n d i t i o n a l i t y p r i n c i p l e " : a n y i n f e r e n c e m u s t b e b a s e d

    ( c o n d i t i o n e d ) o n t h e o b s e r v e d d a t a (g

    ) .

    T h e \ l i k e l i h o o d p r i n c i p l e " : T h e i n f o r m a t i o n c o n t a i n e d i n t h e

    o b s e r v a t i o ng

    c a n o n l y b e c a r r i e d v i a t h e l i k e l i h o o d f u n c t i o np ( f j g

    ) .

    A c c o r d i n g l y , k n o w l e d g e a b o u tf

    , o n c eg

    i s o b s e r v e d , i s e x p r e s s e d b y t h e

    a p o s t e r i o r i ( o r p o s t e r i o r ) p r o b a b i l i t y f u n c t i o n :

    p ( f j g) =

    p ( g j f ) p ( f )

    p ( g )

    \ B a y e s l a w "

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 9

  • 8/2/2019 Bayesian and Markov Random Fields

    10/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    H o w a r e B a y e s i a n d e c i s i o n r u l e s d e r i v e d ? ( c o n t . )

    O n c e

    gi s o b s e r v e d , k n o w l e d g e a b o u t

    fi s e x p r e s s e d b y

    p ( f j g) .

    G i v e n

    g, w h a t i s t h e e x p e c t e d v a l u e o f t h e l o s s f u n c t i o n

    L ( f

    b

    f) ?

    E

    h

    L ( f

    b

    f ) j g

    i

    =

    Z

    L ( f

    b

    f ) p ( f j g ) d f

    p ( f )

    b

    f j g

    . . . t h e s o - c a l l e d \ a p o s t e r i o r i e x p e c t e d l o s s " .

    A n \ o p t i m a l B a y e s r u l e " , i s o n e m i n i m i z i n g

    p ( f )

    b

    f j g

    :

    b

    f

    B a y e s

    =

    B a y e s

    ( g) = a r g m i n

    b

    f

    p ( f )

    b

    f j g

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 1 0

  • 8/2/2019 Bayesian and Markov Random Fields

    11/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    H o w a r e B a y e s i a n d e c i s i o n r u l e s d e r i v e d ? ( c o n t . )

    P r i o r

    p ( f )

    +3

    '& %$

    ! "#

    B a y e s L a w

    p ( f j g) =

    p(

    gj

    f)

    p(

    f)

    p(

    g)

    L i k e l i h o o d

    p ( g j f )

    ks

    L o s s

    L ( f

    b

    f )

    +3

    '& %$

    ! "#\

    a p o s t e r i o r i e x p e c t e d l o s s "

    p ( f )

    b

    f j g

    = E

    h

    L ( f

    b

    f ) j g

    i

    \ P u r e B a y e s i a n s ,

    s t o p h e r e ! R e p o r t

    t h e p o s t e r i o r "

    hh

    '& %$! "#

    M i n i m i z e

    a r g m i n

    b

    f

    p ( f )

    b

    f j g

    +3

    D e c i s i o n r u l e

    b

    f = ( g )

    \ B a y e s i a n i m a g e p r o c e s s o r "

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 1 1

  • 8/2/2019 Bayesian and Markov Random Fields

    12/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    M o r e o n B a y e s l a w .

    p ( f j g) =

    p ( g j f ) p ( f )

    p ( g )

    T h e n u m e r a t o r i s t h e j o i n t p r o b a b i l i t y o f

    fa n d

    g :

    p ( g j f ) p ( f) =

    p ( g f ) :

    T h e d e n o m i n a t o r i s s i m p l y a n o r m a l i z i n g c o n s t a n t ,

    p ( g) =

    Z

    p ( g f ) d f =

    Z

    p ( g j f ) p ( f ) d f

    . . . i t i s a m a r g i n a l p r o b a b i l i t y f u n c t i o n .

    O t h e r n a m e s : u n c o n d i t i o n a l , p r e d i c t i v e , e v i d e n c e .

    I n d i s c r e t e c a s e s , r a t h e r t h a n i n t e g r a l w e h a v e a s u m m a t i o n .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 1 2

  • 8/2/2019 Bayesian and Markov Random Fields

    13/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    T h e \ 0 / 1 " l o s s f u n c t i o n

    F o r a s c a l a r c o n t i n u o u sf

    2 F , e . g . ,F =

    I R,

    L

    "

    (f

    b

    f) =

    8

  • 8/2/2019 Bayesian and Markov Random Fields

    14/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    T h e \ 0 / 1 " l o s s f u n c t i o n ( c o n t . )

    M i n i m i z i n g t h e \ a p o s t e r i o r i " e x p e c t e d l o s s :

    "

    ( g) = a r g m i n

    d

    Z

    F

    L

    "

    (f d

    ) p ( f j g )d f

    = a r g m i n

    d

    Z

    f: j

    f;

    dj

    "

    p ( f j g )d f

    = a r g m i n

    d

    1 ;

    Z

    f: j

    f;

    dj < "

    p ( f j g )d f

    !

    = a r g m a x

    d

    Z

    d + "

    d;

    "

    p ( f j g )d f

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 1 4

  • 8/2/2019 Bayesian and Markov Random Fields

    15/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    L e t t i n g

    "a p p r o a c h z e r o ,

    l i m

    "! 0

    "

    ( g) = l i m

    "! 0

    a r g m a x

    d

    Z

    d+

    "

    d;

    "

    p ( f j g )d f

    = a r g m a x

    f

    p ( f j g )

    M A P

    ( g )

    b

    f

    M A P

    . . . c a l l e d t h e \ m a x i m u m a p o s t e r i o r i " ( M A P ) e s t i m a t o r .

    W i t h"

    d e c r e a s i n g ,

    "

    ( g) \ l o o k s

    f o r " t h e h i g h e s t m o d e o fp ( f j g )

    +3

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 1 5

  • 8/2/2019 Bayesian and Markov Random Fields

    16/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    T h e \ 0 / 1 " l o s s f o r a s c a l a r d i s c r e t ef

    2 F

    L (f

    b

    f) =

    8

  • 8/2/2019 Bayesian and Markov Random Fields

    17/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    \ Q u a d r a t i c " l o s s f u n c t i o n

    F o r a s c a l a r c o n t i n u o u sf

    2 F , e . g . ,F =

    I R,

    L

    f

    b

    f

    =

    f ;

    b

    f

    2

    M i n i m i z i n g t h e a p o s t e r i o r i e x p e c t e d l o s s ,

    P M

    ( g) = a r g m i n

    d

    E

    h

    ( f ; d )

    2

    j g

    i

    = a r g m i n

    d

    f E

    f

    2

    j g

    | { z }

    C o n s t a n t

    + d

    2

    ; 2d E

    f j g ] g

    = E f j g ]

    b

    f

    P M

    . . . t h e \ p o s t e r i o r m e a n " ( P M ) e s t i m a t o r .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 1 7

  • 8/2/2019 Bayesian and Markov Random Fields

    18/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    E x a m p l e : G a u s s i a n o b s e r v a t i o n s w i t h a G a u s s i a n p r i o r .

    T h e o b s e r v a t i o n m o d e l i s

    p ( g j f) =

    p(

    g

    1

    g

    2

    : : : g

    n

    ]

    T

    j f ) N ( f f : : : f

    ]

    T

    2

    I )

    =

    ;

    2

    2

    ; n = 2

    e x p

    (

    ;

    1

    2

    2

    n

    X

    i= 1

    ( g

    i

    ; f )

    2

    )

    w h e r eI

    d e n o t e s a n i d e n t i t y m a t r i x .

    T h e p r i o r i s

    p ( f) =

    ;

    2

    2

    ; 1

    =2

    e x p

    ;

    f

    2

    2

    2

    N ( 0

    2

    )

    F r o m t h e s e t w o m o d e l s , t h e p o s t e r i o r i s s i m p l y

    p ( f j g ) N

    g

    2

    2

    n

    +

    2

    n

    2

    +

    1

    2

    ; 1

    !

    w i t h

    g =

    g

    1

    +: : :

    + g

    n

    n

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 1 8

  • 8/2/2019 Bayesian and Markov Random Fields

    19/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    E x a m p l e : G a u s s i a n o b s e r v a t i o n s w i t h a G a u s s i a n p r i o r ( c o n t . ) .

    A s s e e n i n t h e p r e v i o u s s l i d e

    p ( f j g ) N

    g

    2

    2

    n

    +

    2

    n

    2

    +

    1

    2

    ; 1

    !

    T h e n , s i n c e t h e m e a n a n d t h e m o d e o f a G a u s s i a n c o i n c i d e ,

    b

    f

    M A P

    =

    b

    f

    P M

    =

    g

    2

    2

    n

    +

    2

    t h e e s t i m a t e i s a \ s h r u n k e n " v e r s i o n o f t h e s a m p l e m e a n

    g .

    I f t h e p r i o r h a d m e a n

    , w e w o u l d h a v e

    b

    f

    M A P

    =

    b

    f

    P M

    =

    2

    n

    +

    g

    2

    2

    n

    +

    2

    i . e . , t h e e s t i m a t e i s a w e i g h t e d a v e r a g e o f

    a n d

    g

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 1 9

  • 8/2/2019 Bayesian and Markov Random Fields

    20/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    E x a m p l e : G a u s s i a n o b s e r v a t i o n s w i t h a G a u s s i a n p r i o r ( c o n t . ) .

    O b s e r v e t h a t

    l i m

    n! 1

    2

    n

    +

    g

    2

    2

    n

    +

    2

    = l i m

    n! 1

    2

    + n

    g

    2

    2

    +n

    2

    =

    g

    i . e . , a sn

    i n c r e a s e s , t h e d a t a d o m i n a t e s t h e e s t i m a t e .

    T h e p o s t e r i o r v a r i a n c e d o e s n o t d e p e n d o n

    g ,

    E

    h

    ( f ;

    b

    f )

    2

    j g

    i

    =

    n

    2

    +

    1

    2

    ; 1

    i n v e r s e l y p r o p o r t i o n a l t o t h e d e g r e e o f c o n d e n c e o n t h e e s t i m a t e .

    N o t i c e a l s o t h a t

    l i m

    n! 1

    E

    h

    ( f ;

    b

    f )

    2

    j g

    i

    = l i m

    n! 1

    n

    2

    +

    1

    2

    ; 1

    = 0

    . . . a sn

    ! 1 t h e c o n d e n c e o n t h e e s t i m a t e b e c o m e s a b s o l u t e .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 2 0

  • 8/2/2019 Bayesian and Markov Random Fields

    21/143

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    0 50 100 150 200 250 300 350 4000.2

    0

    0.2

    0.4

    0.6

    0.8

    1

    1.2

    Number of observations

    Estimates

    Sample meanMAP estimate with 2 = 0.1MAP estimate with 2 = 0.01

    0 50 100 150 200 250 300 350 40010

    3

    102

    101

    Number of observations

    Variances

    A posteriori variance, with 2 = 0.1A posteriori variance, with 2 = 0.01

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 2 1

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    22/143

    E x a m p l e : G a u s s i a n m i x t u r e o b s e r v a t i o n s w i t h a G a u s s i a n p r i o r .

    \ M i x t u r e " o b s e r v a t i o n m o d e l

    p ( g j s) =

    p

    2

    2

    e x p

    ;

    ( g ; s ; )

    2

    2

    2

    +

    1 ;

    p

    2

    2

    e x p

    ;

    ( g ; s )

    2

    2

    2

    s

    //

    /.-,()*++

    //

    /.-,()*++

    //g

    8

  • 8/2/2019 Bayesian and Markov Random Fields

    23/143

    E x a m p l e : G a u s s i a n m i x t u r e o b s e r v a t i o n s w i t h a G a u s s i a n p r i o r ( c o n t . ) .

    T h e p o s t e r i o r :

    p ( s j g ) / e x p

    ;

    ( g ; s ; )

    2

    2

    2

    ;

    s

    2

    2

    2

    + ( 1;

    ) e x p

    ;

    ( g ; s )

    2

    2

    2

    ;

    s

    2

    2

    2

    E x a m p l e :

    = 0

    : 6

    2

    = 4

    2

    = 0: 5

    g= 0

    : 5

    +3

    4 2 0 2 4 6 80

    0.05

    0.1

    0.15

    0.2

    0.25

    0.3

    0.35

    0.4

    PM

    MAP

    s

    pS(

    s|g

    =0.5

    )

    P M = \ c o m p r o m i s e " M A P = l a r g e s t m o d e .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 2 3

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    24/143

    I m p r o p e r p r i o r s a n d \ m a x i m u m l i k e l i h o o d " i n f e r e n c e

    R e c a l l t h a t t h e p o s t e r i o r i s c o m p u t e d a c c o r d i n g t o

    p ( f j g) =

    p ( g j f ) p ( f )

    p ( g )

    I f t h e M A P c r i t e r i o n i s b e i n g u s e d , a n d

    p ( f) =

    k ,

    b

    f

    M A P

    = a r g m a x

    f

    p ( g j f ) k

    k

    Z

    p ( g j f ) d f

    = a r g m a x

    f

    p ( g j f )

    . . . t h e \ m a x i m u m l i k e l i h o o d " ( M L ) e s t i m a t e .

    I n t h e d i s c r e t e c a s e , s i m p l y r e p l a c e t h e i n t e g r a l b y a s u m m a t i o n .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 2 4

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    25/143

    I m p r o p e r p r i o r s a n d m a x i m u m l i k e l i h o o d i n f e r e n c e ( c o n t . )

    I f t h e s p a c e t o w h i c h

    fb e l o n g s i s u n b o u n d e d , e . g . ,

    f 2I R

    m

    , o r

    f 2I N , t h e p r i o r i s \ i m p r o p e r " :

    Z

    p ( f ) d f =

    Z

    k df = 1 :

    o r

    X

    p ( f) =

    k

    X

    1 =1 :

    I f t h e p o s t e r i o r i s p r o p e r , a l l t h e e s t i m a t e s a r e s t i l l w e l l d e n e d .

    I m p r o p e r p r i o r s r e i n f o r c e t h e \ k n o w l e d g e " i n t e r p r e t a t i o n o f

    p r o b a b i l i t i e s .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 2 5

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    26/143

    C o m p o u n d i n f e r e n c e : I n f e r r i n g a s e t o f u n k n o w n s

    N o w ,

    fi s a ( s a y ,

    m- d i m e n s i o n a l ) v e c t o r ,

    f=

    f

    1

    f

    2

    : : : f

    m

    ]

    T

    :

    L o s s f u n c t i o n s f o r c o m p o u n d p r o b l e m s :

    A d d i t i v e : S u c h t h a tL ( f

    b

    f) =

    M

    X

    i= 1

    L

    i

    ( f

    i

    b

    f

    i

    ) .

    N o n - a d d i t i v e : T h i s d e c o m p o s i t i o n d o e s n o t e x i s t .

    O p t i m a l B a y e s r u l e s a r e s t i l l

    b

    f

    B a y e s

    =

    B a y e s

    ( g) = a r g m i n

    b

    f

    Z

    L ( f

    b

    f ) p ( f j g )d f

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 2 6

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    27/143

    C o m p o u n d i n f e r e n c e w i t h n o n - a d d i t i v e l o s s f u n c t i o n s .

    T h e r e i s n o t h i n g f u n d a m e n t a l l y n e w i n t h i s c a s e .

    T h e \ 0 / 1 " l o s s , f o r a v e c t o r

    f( e . g . ,

    F =I R

    m

    ) :

    L

    "

    ( f

    b

    f) =

    8

  • 8/2/2019 Bayesian and Markov Random Fields

    28/143

    C o m p o u n d i n f e r e n c e w i t h n o n - a d d i t i v e l o s s f u n c t i o n s ( c o n t . )

    T h e q u a d r a t i c l o s s , f o r

    f 2I R

    m

    : L ( f

    b

    f) = (

    f ;

    b

    f )

    T

    Q ( f ;

    b

    f )

    w h e r eQ

    i s a s y m m e t r i c p o s i t i v e - d e n i t e (m m

    ) m a t r i x .

    M i n i m i z i n g t h e a p o s t e r i o r i e x p e c t e d l o s s ,

    P M

    ( g) = a r g m i n

    b

    f

    E

    h

    ( f ;

    b

    f )

    T

    Q ( f ;

    b

    f ) j g

    i

    = a r g m i n

    b

    f

    f E

    f

    T

    Q fj g

    | { z }

    C o n s t a n t

    +

    b

    f

    T

    Q

    b

    f ; 2

    b

    f

    T

    Q E f j g ] g

    = s o l u t i o n o f

    n

    Q

    b

    f = Q E f j g ]

    o

    ( Qh a s i n v e r s e )

    = E f j g ]

    b

    f

    P M

    . . . s t i l l t h e \ p o s t e r i o r m e a n " ( P M ) e s t i m a t o r .

    R e m a r k a b l y , t h i s i s t r u e f o r a n y s y m m e t r i c p o s i t i v e - d e n i t e

    Q .

    S p e c i a l c a s e :Q

    i s d i a g o n a l , t h e l o s s f u n c t i o n i s a d d i t i v e .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 2 8

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    29/143

    C o m p o u n d i n f e r e n c e w i t h a d d i t i v e l o s s f u n c t i o n s

    R e c a l l t h a t , i n t h i s c a s e ,

    L ( f

    b

    f) =

    M

    X

    i= 1

    L

    i

    ( f

    i

    b

    f

    i

    ) .

    T h e o p t i m a l B a y e s r u l e

    ( g )

    B a y e s

    = a r g m i n

    b

    f

    Z

    m

    X

    i = 1

    L

    i

    ( f

    i

    b

    f

    i

    )

    | { z }

    L(

    f

    b

    f)

    p ( f j g ) d f

    = a r g m i n

    b

    f

    m

    X

    i = 1

    Z

    L

    i

    ( f

    i

    b

    f

    i

    ) p ( f j g ) d f

    = a r g m i n

    b

    f

    m

    X

    i= 1

    Z

    L

    i

    ( f

    i

    b

    f

    i

    )

    Z

    p ( f j g ) d f

    ;

    i

    d f

    i

    w h e r ed f

    ;

    i

    d e n o t e s d f

    1

    : : : d f

    i; 1

    d f

    i+ 1

    : : : d f

    m

    , t h a t i s , i n t e g r a t i o n w i t h

    r e s p e c t t o a l l v a r i a b l e s e x c e p tf

    i

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 2 9

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    30/143

    C o m p o u n d i n f e r e n c e w i t h a d d i t i v e l o s s f u n c t i o n s ( c o n t . )

    F r o m t h e p r e v i o u s s l i d e :

    ( g )

    B a y e s

    = a r g m i n

    b

    f

    m

    X

    i= 1

    Z

    L

    i

    ( f

    i

    b

    f

    i

    )

    Z

    p ( f j g ) d f

    ;

    i

    d f

    i

    B u t ,

    Z

    p ( f j g ) d f

    ; i

    = p ( f

    i

    j g) ,

    t h e a p o s t e r i o r i m a r g i n a l o f v a r i a b l ef

    i

    .

    T h e n ,

    ( g )

    B a y e s

    = a r g m i n

    b

    f

    m

    X

    i= 1

    Z

    L

    i

    ( f

    i

    b

    f

    i

    ) p ( f

    i

    j g )d f

    i

    ,

    t h a t i s ,

    b

    f

    i

    B a y e s

    = a r g m i n

    b

    f

    i

    Z

    L

    i

    ( f

    i

    b

    f

    i

    ) p ( f

    i

    j g )d f

    i

    i= 1

    2 : : : m

    C o n c l u s i o n : e a c h e s t i m a t e i s t h e m i n i m i z e r o f t h e c o r r e s p o n d i n g

    m a r g i n a l a p o s t e r i o r i e x p e c t e d l o s s

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 3 0

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    31/143

    A d d i t i v e l o s s f u n c t i o n s : S p e c i a l c a s e s

    T h e a d d i t i v e \ 0 / 1 " l o s s f u n c t i o n :

    L ( f

    b

    f) =

    m

    X

    i = 1

    L

    i

    ( f

    i

    b

    f

    i

    ) ,

    w h e r e e a c hL

    i

    ( f

    i

    b

    f

    i

    ) i s a \ 0 / 1 " l o s s f u n c t i o n f o r s c a l a r a r g u m e n t s .

    A c c o r d i n g t o t h e g e n e r a l r e s u l t ,

    b

    f

    M P M

    =

    a r g m a x

    f

    1

    p ( f

    1

    j g) a r g m a x

    f

    2

    p ( f

    2

    j g ) a r g m a x

    f

    m

    p ( f

    m

    j g )

    T

    t h e m a x i m i z e r o f p o s t e r i o r m a r g i n a l s ( M P M ) .

    T h e a d d i t i v e q u a d r a t i c l o s s f u n c t i o n :

    L ( f

    b

    f) =

    m

    X

    i= 1

    ( f

    i

    ;

    b

    f

    i

    )

    2

    = (f ;

    b

    f )

    T

    ( f ;

    b

    f) .

    T h e g e n e r a l r e s u l t f o r q u a d r a t i c l o s s f u n c t i o n s i s s t i l l v a l i d .

    T h i s i s a n a t u r a l f a c t b e c a u s e t h e m e a n i s i n t r i n s i c a l l y m a r g i n a l .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 3 1

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    32/143

    E x a m p l e : G a u s s i a n o b s e r v a t i o n s a n d G a u s s i a n p r i o r .

    O b s e r v a t i o n m o d e l : l i n e a r o p e r a t o r ( m a t r i x ) p l u s a d d i t i v e w h i t e

    G a u s s i a n n o i s e :

    g =H f

    + n w h e r e

    n N ( 0

    2

    I )

    C o r r e s p o n d i n g l i k e l i h o o d f u n c t i o n

    p ( g j f) = ( 2

    2

    )

    ; n = 2

    e x p

    ;

    1

    2

    2

    kH f

    ; g k

    2

    G a u s s i a n p r i o r :

    p ( f) =

    ( 2 )

    ; n = 2

    p

    d e t (K )

    e x p

    ;

    1

    2

    f

    T

    K

    ; 1

    f

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 3 2

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    33/143

    E x a m p l e : G a u s s i a n o b s e r v a t i o n s a n d G a u s s i a n p r i o r ( c o n t . )

    T h e a p o s t e r i o r i ( j o i n t ) p r o b a b i l i t y d e n s i t y f u n c t i o n i s s t i l l G a u s s i a n

    p ( f j g ) N

    b

    f P

    w i t h

    b

    fb e i n g t h e M A P a n d P M e s t i m a t e , g i v e n b y

    b

    f= a r g m i n

    f

    f

    T

    2

    K

    ; 1

    + H

    T

    H

    f ; 2 f

    T

    H

    T

    g

    =

    2

    K

    ; 1

    + H

    T

    H

    ; 1

    H

    T

    g :

    T h i s i s a l s o c a l l e d t h e ( v e c t o r ) W i e n e r l t e r .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 3 3

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    34/143

    E x a m p l e : G a u s s i a n o b s e r v a t i o n s a n d G a u s s i a n p r i o r s p e c i a l c a s e s .

    N o n o i s e : A b s e n c e o f n o i s e,

    2

    = 0

    b

    f =

    H

    T

    H

    ; 1

    H

    T

    g :

    = a r g m i n

    f

    n

    kH f

    ; g k

    2

    o

    H

    T

    H

    ; 1

    H

    T

    H

    y

    i s c a l l e d t h e M o o r e - P e n r o s e p s e u d o

    ( o r g e n e r a l i z e d)

    i n v e r s e o f m a t r i xH .

    I f

    H

    ; 1

    e x i s t s ,H

    y

    = H

    ; 1

    I f

    Hi s n o t i n v e r t i b l e ,

    H

    y

    p r o v i d e s i t s l e a s t - s q u a r e s s e n s e

    p s e u d o - s o l u t i o n .

    T h i s e s t i m a t e i s a l s o t h e m a x i m u m l i k e l i h o o d o n e .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 3 4

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    35/143

    E x a m p l e : G a u s s i a n o b s e r v a t i o n s a n d G a u s s i a n p r i o r s p e c i a l c a s e s .

    P r i o r c o v a r i a n c e u p t o a f a c t o r : K=

    2

    B d i a g o n a l e l e m e n t s o f

    B

    e q u a l t o 1 .

    2

    c a n b e s e e n a s t h e \ p r i o r v a r i a n c e " .

    K

    ; 1

    = B

    ; 1

    =

    2

    i s p o s i t i v e d e n i t e)

    e x i s t s u n i q u e s y m m e t r i cD

    s u c h t h a t D D= D

    T

    D = B

    ; 1

    .

    T h i s a l l o w s w r i t i n g

    b

    f= a r g m i n

    f

    k g ;H f

    k

    2

    +

    2

    2

    kD f

    k

    2

    I n r e g u l a r i z a t i o n t h e o r y p a r l a n c e ,

    kD f

    k

    2

    i s c a l l e d t h e r e g u l a r i z i n g

    t e r m , a n d

    2

    =

    2

    t h e r e g u l a r i z a t i o n p a r a m e t e r .

    W e c a n a l s o w r i t e

    b

    f =

    2

    2

    B

    ; 1

    + H

    T

    H

    ; 1

    H

    T

    g

    2

    =

    2

    c o n t r o l s t h e r e l a t i v e w e i g h t o f t h e p r i o r a n d t h e d a t a .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 3 5

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    36/143

    S u m m a r y o f w h a t w e h a v e s e e n u p t o t h i s p o i n t

    I m a g e a n a l y s i s p r o b l e m s a r e i n f e r e n c e p r o b l e m s

    I n t r o d u c t i o n t o B a y e s i a n i n f e r e n c e :

    { F u n d a m e n t a l p r i n c i p l e s : k n o w l e d g e a s p r o b a b i l i t y , l i k e l i h o o d a n d

    c o n d i t i o n a l i t y .

    { F u n d a m e n t a l t o o l : B a y e s r u l e .

    { N e c e s s a r y m o d e l s : o b s e r v a t i o n m o d e l , p r i o r , l o s s f u n c t i o n .

    {

    A p o s t e r i o r i e x p e c t e d l o s s a n d o p t i m a l B a y e s r u l e s .

    { T h e \ 0 / 1 " l o s s f u n c t i o n a n d M A P i n f e r e n c e .

    { T h e q u a d r a t i c e r r o r l o s s f u n c t i o n a n d p o s t e r i o r m e a n e s t i m a t i o n .

    { E x a m p l e : G a u s s i a n o b s e r v a t i o n s a n d G a u s s i a n p r i o r .

    { E x a m p l e : M i x t u r e o f G a u s s i a n s o b s e r v a t i o n s a n d G a u s s i a n p r i o r .

    { I m p r o p e r p r i o r s a n d m a x i m u m l i k e l i h o o d ( M L ) i n f e r e n c e .

    { C o m p o u n d i n f e r e n c e : a d d i t i v e a n d n o n - a d d i t i v e l o s s f u n c t i o n s .

    { E x a m p l e : G a u s s i a n o b s e r v a t i o n s w i t h G a u s s i a n p r i o r .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 3 6

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    37/143

    C o n j u g a t e p r i o r s : L o o k i n g f o r c o m p u t a t i o n a l c o n v e n i e n c e

    S o m e t i m e s t h e p r i o r k n o w l e d g e i s v a g u e e n o u g h t o a l l o w t r a c t a b i l i t y

    c o n c e r n s t o c o m e i n t o p l a y .

    I n o t h e r w o r d s : c h o o s e p r i o r s c o m p a t i b l e w i t h k n o w l e d g e , b u t

    l e a d i n g t o a t r a c t a b l e a p o s t e r i o r i p r o b a b i l i t y f u n c t i o n .

    C o n j u g a t e p r i o r s f o r m a l i z e t h i s g o a l .

    A f a m i l y o f l i k e l i h o o d f u n c t i o n s

    L = f p ( g j f ) f2 F g

    A ( p a r a m e t r i z e d ) f a m i l y o f p r i o r s

    P = f p ( f j ) 2 g

    P i s a c o n j u g a t e f a m i l y f o rL

    , i f

    8

  • 8/2/2019 Bayesian and Markov Random Fields

    38/143

    C o n j u g a t e p r i o r s : A s i m p l e e x a m p l e

    T h e f a m i l y o f G a u s s i a n l i k e l i h o o d f u n c t i o n s o f c o m m o n v a r i a n c e

    L =

    p ( g j f ) N

    (f

    2

    ) f

    2I R

    T h e f a m i l y o f G a u s s i a n p r i o r s o f a r b i t r a r y m e a n a n d v a r i a n c e

    P =

    p ( f j

    2

    ) N

    (

    2

    ) (

    2

    ) 2I R

    I R

    +

    T h e a p o s t e r i o r i p r o b a b i l i t y d e n s i t y f u n c t i o n i s

    p ( f j g ) N

    2

    +g

    2

    2

    +

    2

    2

    2

    2

    +

    2

    2 P

    V e r y i m p o r t a n t : c o m p u t i n g t h e a p o s t e r i o r i p r o b a b i l i t y f u n c t i o n

    o n l y i n v o l v e s \ u p d a t i n g " p a r a m e t e r s o f t h e p r i o r .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 3 8

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    39/143

    C o n j u g a t e p r i o r s : A n o t h e r e x a m p l e

    i s t h e ( u n k n o w n ) \ h e a d s " p r o b a b i l i t y o f a g i v e n c o i n .

    O u t c o m e s o f a s e q u e n c e o f

    nt o s s e s :

    x= (

    x

    1

    : : : x

    n

    ) ,x

    i

    2 f1 0 g .

    L i k e l i h o o d f u n c t i o n ( B e r n o u l l i ) , w i t h

    n

    h

    ( x) =

    x

    1

    + x

    2

    +: : :

    + x

    n

    ,

    p ( x j ) =

    n

    h

    (

    x)

    ( 1; )

    n;

    n

    h

    (

    x)

    :

    A p r i o r i b e l i e f : \

    s h o u l d b e c l o s e t o 1

    =2 " .

    C o n j u g a t e p r i o r : t h e B e t a d e n s i t y

    p ( j

    ) B e ( ) =

    ; ( + )

    ; (

    ) ; ( )

    ; 1

    ( 1; )

    ; 1

    d e n e d f o r 2

    0

    1 ] a n d > 0 .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 3 9

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    40/143

    C o n j u g a t e p r i o r s : B e r n o u l l i e x a m p l e ( c o n t . )

    M a i n f e a t u r e s o f

    Be ( ) :

    E j ] =

    +

    ( m e a n )

    E

    "

    ;

    +

    2

    #

    =

    ( + )

    2

    ( + + 1 )

    ( v a r i a n c e )

    a r g m a x

    p ( j ) =

    ; 1

    + ; 2

    ( m o d e , i f > 1 )

    \ P u l l " t h e e s t i m a t e t o w a r d s 1

    =2 : c h o o s e

    = .

    T h e q u a n t i t y

    = c o n t r o l s \ h o w s t r o n g l y w e p u l l " .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 4 0

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    41/143

    C o n j u g a t e p r i o r s : B e r n o u l l i e x a m p l e ( c o n t . )

    S e v e r a l B e t a d e n s i t i e s :

    0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 10

    0.5

    1

    1.5

    2

    2.5

    3

    3.5

    4

    Beta prior

    = = 1 = = 2 = = 10 = = 0.75

    F o r =

    1 , q u a l i t a t i v e l y d i e r e n t b e h a v i o r : t h e m o d e a t 1= 2

    d i s a p p e a r s .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 4 1

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    42/143

    C o n j u g a t e p r i o r s : B e r n o u l l i e x a m p l e ( c o n t . )

    T h e a p o s t e r i o r i d i s t r i b u t i o n i s a g a i n B e t a

    p ( j x

    ) B e (

    + n

    h

    ( x )

    + n ; n

    h

    ( x) )

    B a y e s i a n e s t i m a t e s o f

    b

    P M

    =

    P M

    ( x) =

    + n

    h

    ( x )

    + + n

    b

    M A P

    =

    M A P

    ( x) =

    + n

    h

    ( x ) ; 1

    + + n ; 2

    :

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 4 2

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    43/143

    C o n j u g a t e p r i o r s : B e r n o u l l i e x a m p l e ( c o n t . )

    E v o l u t i o n o f t h e a p o s t e r i o r i d e n s i t i e s , f o r aB

    e ( 5

    5 ) p r i o r ( d o t t e d l i n e )

    a n dB

    e ( 1

    1 ) a t p r i o r ( s o l i d l i n e ) .

    0 0.25 0.5 0.75 10

    0.5

    1

    n=1

    0 0.25 0.5 0.75 10

    0.5

    1

    n=5

    0 0.25 0.5 0.75 10

    0.5

    1

    n=10

    0 0.25 0.5 0.75 10

    0.5

    1

    n=20

    0 0.25 0.5 0.75 10

    0.5

    1

    n=50

    0 0.25 0.5 0.75 10

    0.5

    1

    n=500

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 4 3

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    44/143

    C o n j u g a t e p r i o r s : V a r i a n c e o f G a u s s i a n o b s e r v a t i o n s

    ni . i . d . z e r o - m e a n G a u s s i a n o b s e r v a t i o n s o f u n k n o w n v a r i a n c e

    2

    = 1 =

    L i k e l i h o o d f u n c t i o n

    f ( x j ) =

    n

    Y

    i= 1

    r

    2

    e x p

    ;

    x

    2

    i

    2

    =

    2

    n

    2

    e x p

    (

    ;

    2

    n

    X

    i= 1

    x

    2

    i

    )

    :

    C o n j u g a t e p r i o r : t h e G a m m a d e n s i t y .

    p ( j

    ) G a ( ) =

    ; ( )

    ; 1

    e x p f ; g

    f o r 2

    0 1

    ) ( r e c a l l

    = 1 =

    2

    ) a n d > 0 .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 4 4

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    45/143

    C o n j u g a t e p r i o r s : V a r i a n c e o f G a u s s i a n o b s e r v a t i o n s ( c o n t . )

    M a i n f e a t u r e s o f t h e G a m m a d e n s i t y :

    E j ] =

    ( m e a n )

    E

    "

    ;

    2

    #

    =

    2

    ( v a r i a n c e )

    a r g m a x

    p ( j ) =

    ; 1

    ( m o d e , i f

    1 )

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 4 5

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    46/143

    C o n j u g a t e p r i o r s : V a r i a n c e o f G a u s s i a n o b s e r v a t i o n s ( c o n t . )

    S e v e r a l G a m m a d e n s i t i e s :

    0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 50

    0.2

    0.4

    0.6

    0.8

    1

    1.2

    1.4

    Gamma prior

    = = 1

    = = 2 = = 10 = 62.5, = 25

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 4 6

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    47/143

    C o n j u g a t e p r i o r s : V a r i a n c e o f G a u s s i a n o b s e r v a t i o n s ( c o n t . )

    A p o s t e r i o r i d e n s i t y :

    p ( j x

    1

    x

    2

    : : : x

    n

    ) G

    a

    +

    n

    2

    +

    1

    2

    n

    X

    i= 1

    x

    2

    i

    !

    :

    T h e c o r r e s p o n d i n g B a y e s i a n e s t i m a t e s

    b

    P M

    =

    2

    n

    + 1

    2

    n

    +

    1

    n

    n

    X

    i= 1

    x

    2

    i

    !

    ; 1

    b

    M A P

    =

    2

    n

    + 1;

    2

    n

    2

    n

    +

    1

    n

    n

    X

    i= 1

    x

    2

    i

    !

    ; 1

    :

    B o t h e s t i m a t e s c o n v e r g e t o t h e M L e s t i m a t e :

    l i m

    n! 1

    b

    P M

    = l i m

    n! 1

    b

    M A P

    =

    b

    M L

    = n

    n

    X

    i= 1

    x

    2

    i

    !

    ; 1

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 4 7

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    48/143

    T h e v o n M i s e s T h e o r e m

    A s l o n g a s t h e p r i o r i s c o n t i n u o u s a n d n o t z e r o a t t h e l o c a t i o n o f t h e M L

    e s t i m a t e , t h e n , t h e M A P e s t i m a t e c o n v e r g e s t o t h e M L e s t i m a t e a s t h e

    n u m b e r o f d a t a p o i n t sn

    i n c r e a s e s .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 4 8

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    49/143

    B a y e s i a n m o d e l s e l e c t i o n

    S c e n a r i o : t h e r e a r e

    Km o d e l s a v a i l a b l e , i . e . ,

    m2 f

    m

    1

    : : : m

    K

    g

    G i v e n m o d e l

    m ,

    L i k e l i h o o d f u n c t i o n :p ( g j f

    (

    m)

    m)

    P r i o r :p ( f

    (

    m)

    j m )

    U n d e r d i e r e n tm

    ' s ,f

    (

    m)

    m a y h a v e d i e r e n t m e a n i n g s , a n d s i z e s .

    A p r i o r i m o d e l p r o b a b i l i t i e s

    f p ( m)

    m = m

    1

    : : : m

    K

    g .

    T h e a p o s t e r i o r i p r o b a b i l i t y f u n c t i o n i s

    p (m

    f

    (

    m)

    j g) =

    p ( g j f

    ( m )

    m) p ( f

    ( m )

    m)

    p ( g )

    =

    p ( g j f

    ( m )

    m) p ( f

    ( m )

    j m ) p ( m )

    p ( g )

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 4 9

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    50/143

    S e e n s t r i c t l y a s a m o d e l s e l e c t i o n p r o b l e m , t h e n a t u r a l l o s s f u n c t i o n

    i s t h e \ 0 / 1 " w i t h r e s p e c t t o t h e m o d e l , i . e .

    L ( m

    f

    (

    m)

    ) ( bm

    b

    f

    ( b

    m)

    ) ] =

    8

  • 8/2/2019 Bayesian and Markov Random Fields

    51/143

    B a y e s i a n m o d e l s e l e c t i o n

    C o m p a r i n g t w o m o d e l s : w h i c h o f

    m

    1

    o rm

    2

    i s a p o s t e r i o r i m o r e

    l i k e l y ?

    A n s w e r i s g i v e n b y t h e s o - c a l l e d \ p o s t e r i o r o d d s r a t i o "

    p ( m

    1

    j g )

    p ( m

    2

    j g )

    =

    p ( g j m

    1

    )

    p ( g j m

    2

    )

    | { z }

    \ B a y e s ' f a c t o r "

    p ( m

    1

    )

    p ( m

    2

    )

    | { z }

    \ p r i o r o d d s r a t i o "

    B a y e s ' f a c t o r = e v i d e n c e , p r o v i d e d b y

    g, f o r

    m

    1

    v e r s u sm

    2

    .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 5 1

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    52/143

    B a y e s i a n m o d e l s e l e c t i o n : E x a m p l e

    D o e s a s e q u e n c e o f b i n a r y v a r i a b l e s ( e . g . , c o i n t o s s e s ) c o m e s f r o m t w o

    d i e r e n t s o u r c e s ?

    O b s e r v a t i o n s :

    g=

    g

    1

    : : : g

    t

    g

    t+ 1

    : : : g2 t

    ] , w i t hg

    i

    2 f0 1 g .

    C o m p e t i n g m o d e l s :

    m

    1

    = \ a l lg

    i

    ' s c o m e f r o m t h e s a m e i . i . d . b i n a r y s o u r c e w i t h

    P r o b ( 1 ) =

    " ( e . g . , s a m e c o i n ) .

    m

    2

    = \ g

    1

    : : : g

    t

    ] a n d g

    t+ 1

    : : : g

    2

    t

    ] c o m e f r o m t w o d i e r e n t s o u r c e s

    w i t h P r o b ( 1 ) =

    a n d P r o b ( 1 ) =

    , r e s p e c t i v e l y "

    ( e . g . , t w o c o i n s w i t h d i e r e n t p r o b a b i l i t i e s o f \ h e a d s " ) .

    P a r a m e t e r v e c t o r u n d e r

    m

    1

    , f

    (

    m

    1

    )

    = ]

    P a r a m e t e r v e c t o r u n d e rm

    2

    , f

    (

    m

    2

    )

    = ]

    N o t i c e t h a t w i t h = , m

    2

    b e c o m e sm

    1

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 5 2

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    53/143

    B a y e s i a n m o d e l s e l e c t i o n : E x a m p l e ( c o n t . )

    L i k e l i h o o d f u n c t i o n u n d e r

    m

    1

    :

    p ( g j m

    1

    ) =

    2

    t

    Y

    i= 1

    g

    i

    ( 1; )

    1 ;

    g

    i

    =

    n(

    g)

    ( 1; )

    2

    t;

    n(

    g)

    w h e r en ( g

    ) i s t h e t o t a l n u m b e r o f 1 ' s .

    L i k e l i h o o d f u n c t i o n u n d e r

    m

    2

    :

    p ( g j m

    2

    ) =

    n

    1

    (

    g)

    ( 1; )

    t;

    n

    1

    (

    g)

    n

    2

    (

    g)

    ( 1; )

    t;

    n

    2

    (

    g)

    w h e r en

    1

    ( g) a n d

    n

    2

    ( g) a r e t h e n u m b e r s o f o n e s i n t h e r s t a n d

    s e c o n d h a l v e s o f t h e d a t a , r e s p e c t i v e l y .

    N o t i c e t h a t

    n

    1

    ( g) +

    n

    2

    ( g) =

    n ( g) .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 5 3

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    54/143

    B a y e s i a n m o d e l s e l e c t i o n : E x a m p l e ( c o n t . )

    P r i o r u n d e r

    m

    1

    :

    p ( j m

    1

    ) = 1

    f o r 2

    0

    1 ]

    P r i o r u n d e r

    m

    2

    :

    p (

    j m

    2

    ) = 1 f o r ( ) 2

    0

    1 ]

    0

    1 ]

    T h e s e t w o p r i o r s m e a n : \ i n a n y c a s e , w e k n o w n o t h i n g a b o u t t h e

    p a r a m e t e r s " .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 5 4

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    55/143

    B a y e s i a n m o d e l s e l e c t i o n : E x a m p l e ( c o n t . )

    E v i d e n c e i n f a v o r o f

    m

    1

    ( r e c a l l t h a tp ( j m

    1

    ) = 1 )

    p ( m

    1

    j g) =

    Z

    1

    0

    n(

    g)

    ( 1; )

    2

    t;

    n(

    g)

    d =

    ( 2t ; n ( g

    ) ) !n ( g

    ) !

    ( 2a

    + 1 ) !

    E v i d e n c e i n f a v o r o f

    m

    2

    ( r e c a l l t h a tp (

    j m

    2

    ) = 1 ) :

    p ( m

    2

    j g) =

    Z

    1

    0

    Z

    1

    0

    n

    1

    (

    g)

    ( 1; )

    t;

    n

    1

    (

    g)

    n

    2

    (

    g)

    ( 1; )

    t;

    n

    2

    (

    g)

    d d

    =

    ( t ; n

    1

    ( g) !

    n

    1

    ( g) !

    ( t+ 1 ) !

    ( t ; n

    2

    ( g) !

    n

    2

    ( g) !

    ( t+ 1 ) !

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 5 5

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    56/143

    B a y e s i a n m o d e l s e l e c t i o n : E x a m p l e ( c o n t . )

    D e c i s i o n r e g i o n s f o r a l l p o s s i b l e o u t c o m e s w i t h 2t

    = 1 0 0 , a n d

    p ( m

    1

    ) =p ( m

    2

    ) = 1=

    2 .

    n1

    n2

    m1

    (same source)

    m2

    (two sources)

    m2

    (two sources)

    5 10 15 20 25 30 35 40 45 50

    5

    10

    15

    20

    25

    30

    35

    40

    45

    50

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 5 6

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    57/143

    B a y e s i a n m o d e l s e l e c t i o n : A n o t h e r e x a m p l e

    S e g m e n t i n g a s e q u e n c e o f b i n a r y i . i . d . o b s e r v a t i o n s :

    I s t h e r e a c h a n g e o f m o d e l ? W h e r e ?

    0 20 40 60 80 100 1200.2

    0

    0.2

    0.4

    0.6

    0.8

    1

    Trials

    0 20 40 60 80 100 12010

    0

    10

    20

    30

    Candidate location

    Log

    ofBayesfactor

    First segmentation

    0 10 20 30 40 50 601.5

    1

    0.5

    0

    Candidate location

    Log

    ofBayesfa

    ctor

    Segmentation of left segment

    0 5 10 15 20 25 30 35 40 45 501.5

    1

    0.5

    0

    Candidate location

    Log

    ofBayesfactor

    Segmentation of right segment

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 5 7

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    58/143

    M o d e l s e l e c t i o n : S c h w a r z ' s B a y e s i a n i n f e r e n c e c r i t e r i o n ( B I C )

    O f t e n , i t i s v e r y d i c u l t / i m p o s s i b l e t o c o m p u t e

    p ( g j m) .

    B y u s i n g a T a y l o r e x p a n s i o n o f t h e l i k e l i h o o d , a r o u n d t h e M L

    e s t i m a t e , a n d f o r a \ s m o o t h e n o u g h " p r i o r , w e h a v e

    p ( g j m ) ' p ( g j

    b

    f

    (

    m)

    m) n

    ;

    d i m ( f

    ( m )

    )

    2

    B I C (

    m )

    b

    f

    ( m )

    i s t h e M L e s t i m a t e , u n d e r m o d e lm .

    d i m (f

    (

    m)

    ) = \ d i m e n s i o n o ff

    (

    m)

    u n d e r m o d e lm

    " .

    ni s t h e s i z e o f t h e o b s e r v a t i o n v e c t o r

    g .

    L e t u s a l s o l o o k a t

    ;l o g ( B I C (

    m) ) =

    ;l o g

    p ( g j

    b

    f

    (

    m)

    m ) +

    d i m (f

    (

    m)

    )

    2

    l o gn

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 5 8

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    59/143

    M o d e l s e l e c t i o n : R i s s a n e n ' s m i n i m u m d e s c r i p t i o n l e n g t h

    ( M D L )

    C o n s i d e r a n u n k n o w n

    f

    (

    k)

    o f u n k n o w n d i m e n s i o nk .

    D a t a i s o b s e r v e d a c c o r d i n g t o

    p ( g j f

    (

    k)

    )

    F o r e a c h

    k( e a c h m o d e l ) ,

    p ( f

    (

    k)

    j k) i s c o n s t a n t

    i . e . , i fk

    w a s k n o w n , w e c o u l d n d t h e M L e s t i m a t e

    b

    f

    (

    k)

    H o w e v e r ,

    ki s u n k n o w n , a n d t h e l i k e l i h o o d i n c r e a s e s w i t h

    k :

    k

    2

    > k

    1

    ) p ( g j

    b

    f

    (

    k

    2

    )

    ) p ( g j

    b

    f

    (

    k

    1

    )

    )

    C o n c l u s i o n : t h e M L e s t i m a t e o f

    ki s : \ a s l a r g e a s p o s s i b l e "

    t h i s i s c l e a r l y u s e l e s s .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 5 9

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    60/143

    M i n i m u m d e s c r i p t i o n l e n g t h ( M D L )

    F a c t ( f r o m i n f o r m a t i o n t h e o r y ) : t h e s h o r t e s t c o d e - l e n g t h f o r d a t a

    g

    g i v e n t h a t i t w a s g e n e r a t e d a c c o r d i n g t op ( g j f

    ( k )

    ) i s

    L ( g j f

    (

    k)

    ) =;

    l o g

    2

    p ( g j f

    (

    k)

    ) ( b i t s )

    T h e n , f o r a g i v e n

    k, l o o k i n g f o r t h e M L e s t i m a t e o f

    f

    (

    k)

    i s t h e s a m e

    a s l o o k i n g f o r t h e c o d e f o r w h i c hg

    h a s t h e s h o r t e s t c o d e - w o r d :

    a r g m a x

    f

    ( k )

    p ( g j f

    (

    k)

    ) = a r g m i n

    ( k )

    ;l o g

    p ( g j f

    (

    k)

    )

    = a r g m i n

    f

    ( k )

    L ( g j f

    (

    k)

    )

    I f a c o d e i s b u i l t t o t r a n s m i t

    g, b a s e d o n

    f

    (

    k)

    , t h e nf

    (

    k)

    a l s o h a s t o

    b e t r a n s m i t t e d . C o n c l u s i o n : t h e t o t a l c o d e - l e n g t h i s

    L ( g f

    (

    k)

    ) =L ( g j f

    (

    k)

    ) +L ( f

    (

    k)

    )

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 6 0

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    61/143

    M i n i m u m d e s c r i p t i o n l e n g t h ( M D L ) ( c o n t . )

    T h e t o t a l c o d e - l e n g t h i s

    L ( g f

    (

    k)

    ) =;

    l o g

    2

    p ( g j f

    (

    k)

    ) +L ( f

    (

    k)

    )

    T h e M D L c r i t e r i o n :

    (

    b

    k

    b

    f

    (

    b

    k)

    )

    M D L

    = a r g m i n

    k f

    ( k )

    ;l o g

    2

    p ( g j f

    (

    k)

    ) +L ( f

    (

    k)

    )

    B a s i c a l l y , t h e t e r m

    L ( f

    (

    k)

    ) g r o w s w i t hk

    c o u n t e r b a l a n c i n g t h e

    b e h a v i o r o f t h e l i k e l i h o o d .

    F r o m a B a y e s i a n p o i n t o f v i e w , w e h a v e a p r i o r

    p ( f

    (

    k)

    ) / 2

    ;

    L(

    f

    ( k )

    )

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 6 1

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    62/143

    M i n i m u m d e s c r i p t i o n l e n g t h ( c o n t . )

    W h a t a b o u t

    L ( f

    (

    k)

    ) ? I t i s p r o b l e m - d e p e n d e n t .

    I f t h e c o m p o n e n t s o f

    f

    (

    k)

    a r e r e a l n u m b e r s ( a n d u n d e r c e r t a i n o t h e r

    c o n d i t i o n s ) t h e ( a s y m p t o t i c a l l y ) o p t i m a l c h o i c e i s

    L ( f

    (

    k)

    ) =

    k

    2

    l o gn

    w h e r en

    i s t h e s i z e o f t h e d a t a v e c t o rg .

    I n t e r e s t i n g l y , i n t h i s c a s e M D L c o i n c i d e s w i t h B I C .

    I n o t h e r s i t u a t i o n s ( e . g . , d i s c r e t e p a r a m e t e r s ) , t h e r e a r e n a t u r a l

    c h o i c e s .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 6 2

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    63/143

    M i n i m u m d e s c r i p t i o n l e n g t h : E x a m p l e

    F i t t i n g a p o l y n o m i a l o f u n k n o w n d e g r e e :f

    (

    k+ 1 )

    c o n t a i n s t h e c o e c i e n t s

    o f ak

    - o r d e r p o l y n o m i a l .

    O b s e r v a t i o n m o d e l :g

    = \ t r u e p o l y n o m i a l p l u s w h i t e G a u s s i a n n o i s e " .

    1 0.5 0 0.5 12

    4

    6

    8

    10

    Order = 2

    1 0.5 0 0.5 12

    4

    6

    8

    10

    Order = 3

    1 0.5 0 0.5 12

    4

    6

    8

    10

    Order = 4

    1 0.5 0 0.5 12

    4

    6

    8

    10

    Order = 6

    1 0.5 0 0.5 12

    4

    6

    8

    10

    Order = 12

    1 0.5 0 0.5 12

    4

    6

    8

    10

    Order = 15

    1 0.5 0 0.5 12

    4

    6

    8

    10

    Order = 20

    1 0.5 0 0.5 12

    4

    6

    8

    10

    Order = 30

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 6 3

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    M i n i m u m d e s c r i p t i o n l e n g t h : E x a m p l e

  • 8/2/2019 Bayesian and Markov Random Fields

    64/143

    F i t t i n g a p o l y n o m i a l o f u n k n o w n d e g r e e .

    ;l o g

    p ( g j f

    (

    k)

    ) k e e p s g o i n g d o w n , b u t M D L p i c k s t h e r i g h t o r d e r

    b

    k= 4 .

    0 2 4 6 8 10 12 14 16 18 200.2

    0.4

    0.6

    0.8

    1

    1.2

    Polynomial order

    loglikeliho

    od

    0 2 4 6 8 10 12 14 16 18 2030

    20

    10

    0

    10

    Polynomial order

    Descriptionlength

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 6 4

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    65/143

    I n t r o d u c t i o n t o M a r k o v R a n d o m F i e l d s

    I m a g e a n a l y s i s p r o b l e m s

    ,c o m p o u n d i n f e r e n c e p r o b l e m s .

    P r i o r

    p ( f) f o r m a l i z e s e x p e c t e d j o i n t b e h a v i o r o f e l e m e n t s o f

    f .

    M a r k o v r a n d o m e l d s : a c o n v e n i e n t t o o l t o w r i t e p r i o r s f o r i m a g e

    a n a l y s i s p r o b l e m s .

    J u s t a s M a r k o v r a n d o m p r o c e s s e s f o r m a l i z e t e m p o r a l

    e v o l u t i o n s / d e p e n d e n c i e s .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 6 5

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    66/143

    G r a p h s a n d r a n d o m e l d s o n g r a p h s .

    B a s i c g r a p h - t h e o r e t i c c o n c e p t s

    Ag r a p h

    G= (

    N E) i s a c o l l e c t i o n o f n o d e s ( o r v e r t i c e s

    )

    N = f n

    1

    n

    2

    : : : n

    j

    Nj

    g

    a n d e d g e sE = f ( n

    i

    1

    n

    i

    2

    ) : : :

    ( n

    i

    2 j E j ; 1

    n

    i

    2 j E j

    )g

    N N .

    N o t a t i o n :j N j

    = n u m b e r o f e l e m e n t s o f s e tN .

    W e c o n s i d e r o n l y u n d i r e c t e d g r a p h s , i . e . , t h e e l e m e n t s o f

    Ea r e s e e n

    a s u n o r d e r e d p a i r s : (n

    i

    n

    j

    ) ( n

    j

    n

    i

    ) .

    T w o n o d e s

    n

    1

    , n

    2

    2 Na r e n e i g h b o r s i f t h e c o r r e s p o n d i n g e d g e

    e x i s t s , i . e . , i f (n

    1

    n

    2

    ) 2 E .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 6 6

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    67/143

    G r a p h s a n d r a n d o m e l d s o n g r a p h s .

    B a s i c g r a p h - t h e o r e t i c c o n c e p t s ( c o n t . )

    A c o m p l e t e g r a p h : a l l n o d e s a r e n e i g h b o r s o f a l l o t h e r n o d e s .

    A n o d e i s n o t n e i g h b o r o f i t s e l f n o (

    n

    i

    n

    i

    ) e d g e s a r e a l l o w e d .

    N e i g h b o r h o o d o f a n o d e :

    N ( n

    i

    ) =f n

    j

    : (n

    i

    n

    j

    ) 2 E g .

    T h e n e i g h b o r h o o d r e l a t i o n i s s y m m e t r i c a l :

    n

    j

    2 N ( n

    i

    ) , n

    i

    2 N ( n

    j

    )

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 6 7

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    68/143

    G r a p h s a n d r a n d o m e l d s o n g r a p h s .

    E x a m p l e o f a g r a p h :

    '&%$!"#1 '&%$!"#2

    '&%$!"#3

    '&%$!"#4

    '&%$!"#5

    '&%$!"#6

    N = f 1 2 3 4 5 6 g

    E = f( 1

    2 )

    ( 1

    3 )

    ( 2

    4 )

    ( 2

    5 )

    ( 3

    6 )

    ( 5

    6 )

    ( 3

    4 )

    ( 4

    5 ) g

    N N

    N( 1 ) =

    f 2 3 g , N( 2 ) =

    f 1 4 5 g , N( 3 ) =

    f 1 4 6 g, e t c . . .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 6 8

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    69/143

    G r a p h s a n d r a n d o m e l d s o n g r a p h s .

    C l i q u e o f

    Gi s e i t h e r a s i n g l e n o d e o r a c o m p l e t e s u b g r a p h o f

    G .

    I n o t h e r w o r d s , a s i n g l e n o d e o r a s u b s e t o f n o d e s t h a t a r e a l l

    m u t u a l n e i g h b o r s .

    E x a m p l e s o f c l i q u e s f r o m t h e p r e v i o u s g r a p h

    '&%$!"#1 '&%$!"#2

    '&%$!"#3

    '&%$!"#3

    '&%$!"#4

    '&%$!"#5

    S e t o f a l l c l i q u e s ( f r o m t h e s a m e e x a m p l e ) :

    C = N E f ( 2

    4 5 )

    g

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 6 9

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    70/143

    G r a p h s a n d r a n d o m e l d s o n g r a p h s .

    A l e n g t h -

    kp a t h i n

    Gi s a n o r d e r e d s e q u e n c e o f n o d e s , (

    n

    1

    n

    2

    : : : n

    k

    ) ,

    s u c h t h a t (n

    j

    n

    j + 1

    ) 2 E .

    E x a m p l e : a g r a p h a n d a l e n g t h - 4 p a t h .

    '&%$!"#1

    '&%$!"#2

    '&%$!"#2

    '&%$!"#3

    '&%$!"#

    4

    '&%$!"#

    5

    '&%$!"#3

    '&%$!"#4

    '&%$!"#

    5

    '&%$!"#6

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 7 0

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    G r a p h s a n d r a n d o m e l d s o n g r a p h s .

  • 8/2/2019 Bayesian and Markov Random Fields

    71/143

    L e t

    A , B , Cb e t h r e e d i s j o i n t s u b s e t s o f

    N .

    W e s a y t h a t

    Cs e p a r a t e s

    Af r o m

    Bi f a n y p a t h f r o m a n o d e i n

    At o

    a n o d e i nB

    c o n t a i n s o n e ( o r m o r e ) n o d e i nC .

    E x a m p l e , i n t h e g r a p h

    '&%$!"#1

    '&%$!"#2

    '&%$!"#3

    '&%$!"#

    4

    '&%$!"#

    5

    '&%$!"#6

    C = f 1 4 6 gs e p a r a t e s

    A = f 3 gf r o m

    B = f 2 5 g

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 7 1

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    G r a p h s a n d r a n d o m e l d s o n g r a p h s .

  • 8/2/2019 Bayesian and Markov Random Fields

    72/143

    C o n s i d e r a j o i n t p r o b a b i l i t y f u n c t i o n

    p ( f) =

    p ( f

    1

    f

    2

    : : : f

    m

    ) . .

    A s s i g n e a c h v a r i a b l e t o a n o d e o f a g r a p h ,

    N = f 1 2 : : : m

    g .

    W e h a v e \ r a n d o m e l d o n g r a p hN

    " .

    L e t

    f

    A

    , f

    B

    , f

    C

    b e t h r e e d i s j o i n t s u b s e t s o fF

    ( i . e . ,A , B

    , a n dC

    a r e

    d i s j o i n t s u b s e t s o fN

    . I f

    p ( f

    A

    f

    B

    j f

    C

    ) =p ( f

    A

    j f

    C

    ) p ( f

    B

    j f

    C

    ) ( \ Cs e p a r a t e s

    Af r o m

    B" .

    \ p( ) i s g l o b a l M a r k o v " w i t h r e s p e c t t o

    N. T h e g r a p h i s c a l l e d a n

    \ I- m a p " o f

    p ( f )

    A n y

    p ( f) i s \ g l o b a l M a r k o v " w i t h r e s p e c t t o t h e c o m p l e t e g r a p h .

    I f r a t h e r t h a n

    (, w e h a v e

    ,, t h e g r a p h i s c a l l e d a \ p e r f e c t

    I- m a p " .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 7 2

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    G r a p h s a n d r a n d o m e l d s o n g r a p h s .

  • 8/2/2019 Bayesian and Markov Random Fields

    73/143

    P a i r - w i s e M a r k o v i a n i t y .

    P a i r - w i s e M a r k o v i a n i t y :

    (i j

    ) 62 E ) \ f

    i

    a n df

    j

    a r e

    i n d e p e n d e n t , w h e n c o n d i t i o n e d o n a l l t h e o t h e r v a r i a b l e s " .

    P r o o f : s i m p l y n o t i c e t h a t i fi

    a n dj

    a r e n o t n e i g h b o r s , t h e

    r e m a i n i n g n o d e s s e p a r a t ei

    f r o mj .

    E x a m p l e : i n t h e f o l l o w i n g g r a p h ,

    p ( f

    1

    f

    6

    j f

    2

    f

    3

    f

    4

    f

    5

    ) =p ( f

    1

    j f

    2

    f

    3

    f

    4

    f

    5

    ) p ( f

    6

    j f

    2

    f

    3

    f

    4

    f

    5

    ) .

    76540123'&%$!"#f

    1

    76540123f

    2

    76540123f 3

    }}}}}}}}}

    76540123f 4

    }}}}}}}}}

    76540123f 5

    76540123'&%$!"#f

    6

    }}}}}}}}}

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 7 3

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    L o c a l M a r k o v i a n i t y .

  • 8/2/2019 Bayesian and Markov Random Fields

    74/143

    L o c a l M a r k o v i a n i t y :

    p ( f

    i

    f

    N = ( f i g N ( i ) )

    j f

    N ( i )

    ) =p ( f

    i

    j f

    N ( i )

    ) p ( f

    N = ( f i g N ( i ) )

    j f

    N ( i )

    )

    \ g i v e n i t s n e i g h b o r h o o d , a v a r i a b l e i s i n d e p e n d e n t o n t h e r e s t " .

    P r o o f : N o t i c e t h a tN ( f

    i

    ) s e p a r a t e sf

    i

    f r o m t h e r e s t o f t h e g r a p h .

    E q u i v a l e n t f o r m ( b e t t e r k n o w n i n t h e M R F l i t e r a t u r e ) :

    p ( f

    i

    j f

    N =f

    ig

    ) =p ( f

    i

    j f

    N(

    i)

    )

    P r o o f : d i v i d e t h e a b o v e e q u a l i t y b yp ( f

    N =( f

    ig

    N(

    i) )

    j f

    N(

    i)

    ) :

    p ( f

    i

    f

    N =( f

    ig

    N(

    i) )

    j f

    N(

    i)

    )

    p ( f

    N =( f

    ig

    N(

    i) )

    j f

    N(

    i)

    )

    = p ( f

    i

    j f

    N ( i )

    )

    p ( f

    i

    j f

    N =f

    ig

    ) =p ( f

    i

    j f

    N(

    i)

    )

    b e c a u s e N = ( f i

    g N ( i

    ) ) ] N ( i

    ) =N = f i g .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 7 4

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    H a m m e r s l e y - C l i f o r d t h e o r e m

  • 8/2/2019 Bayesian and Markov Random Fields

    75/143

    C o n s i d e r a r a n d o m e l dF

    o n a g r a p hN

    , s u c h t h a tp ( f ) >

    0 .

    a ) I f t h e e l dF

    h a s t h e l o c a l M a r k o v p r o p e r t y , t h e np ( f

    ) c a n b e w r i t t e n

    a s a G i b b s d i s t r i b u t i o n

    p ( f) =

    1

    Z

    e x p

    (

    ;

    X

    C2 C

    V

    C

    ( f

    C

    )

    )

    w h e r eZ

    , t h e n o r m a l i z i n g c o n s t a n t , i s c a l l e d t h e p a r t i t i o n f u n c t i o n.

    T h e f u n c t i o n sV

    C

    ( ) a r e c a l l e d c l i q u e p o t e n t i a l s . T h e n e g a t i v e o f t h e

    e x p o n e n t i s c a l l e d e n e r g y.

    b ) I fp ( f

    ) c a n b e w r i t t e n i n G i b b s f o r m f o r t h e c l i q u e s o f s o m e g r a p h ,

    t h e n i t h a s t h e g l o b a l M a r k o v p r o p e r t y .

    F u n d a m e n t a l c o n s e q u e n c e : a M a r k o v r a n d o m e l d c a n b e s p e c i e d v i a

    t h e c l i q u e p o t e n t i a l s .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 7 5

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    76/143

    H a m m e r s l e y - C l i f o r d t h e o r e m ( c o n t . )

    C o m p u t i n g t h e l o c a l M a r k o v i a n c o n d i t i o n a l s f r o m t h e c l i q u e

    p o t e n t i a l s

    p ( f

    i

    j f

    N(

    i)

    ) =

    1

    Z ( f

    N(

    i)

    )

    e x p

    (

    ;

    X

    C:

    i2

    C

    V

    C

    ( f

    C

    )

    )

    N o t i c e t h a t t h e n o r m a l i z i n g c o n s t a n t m a y d e p e n d o n t h e

    n e i g h b o r h o o d s t a t e .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 7 6

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    77/143

    R e g u l a r r e c t a n g u l a r l a t t i c e s

    L e t u s n o w f o c u s o n r e g u l a r r e c t a n g u l a r l a t t i c e s

    .

    N = f (i j

    ) i = 1 : : : M j = 1 : : : N

    g

    A h i e r a r c h y n e i g h b o r h o o d s y s t e m s :

    N

    0

    (i j ) = f g , z e r o - o r d e r ( e m p t y n e i g h b o r h o o d s )

    N

    1

    (i j ) =

    f (k l

    ) ( i ; k )

    2

    + (j ; l )

    2

    1 g, o r d e r - 1 ( 4 n e a r e s t

    n e i g h b o r s )

    N

    2

    (i j ) =

    f (k l

    ) ( i ; k )

    2

    + (j ; l )

    2

    2 g, o r d e r - 2 ( 8 n e a r e s t

    n e i g h b o r s )

    e t c . . .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 7 7

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    R e g u l a r r e c t a n g u l a r l a t t i c e s

  • 8/2/2019 Bayesian and Markov Random Fields

    78/143

    I l l u s t r a t i o n o f r s t o r d e r n e i g h b o r h o o d s y s t e m :

    i; 1 j ; 1

    i; 1 j i ; 1 j + 1

    i j ; 1 i j 1 j + 1

    i+ 1 j ; 1

    i+ 1 j i + 1 j + 1

    N

    1

    (i j ) =

    f(

    i; 1 j )

    ( i j ; 1 )

    ( i j + 1 )

    (

    i+ 1 j )

    g( 4 n e a r e s t n e i g h b o r s ) .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 7 8

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    R e g u l a r r e c t a n g u l a r l a t t i c e s

  • 8/2/2019 Bayesian and Markov Random Fields

    79/143

    I l l u s t r a t i o n o f s e c o n d o r d e r n e i g h b o r h o o d s y s t e m :

    i; 1 j ; 1

    ssss

    sssss

    i; 1 j

    ssss

    sssss

    i; 1 j + 1

    i j ; 1

    ssssss

    sss

    i j

    sssss

    ssss

    1 j + 1

    i+ 1 j ; 1

    i+ 1 j

    i+ 1 j + 1

    N

    2

    (i j ) =

    f(

    i; 1 j ; 1 )

    (

    i; 1 j )

    (

    i; 1 j + 1 )

    ( i j ; 1 )

    ( i j + 1 )

    (

    i+ 1 j ; 1 )

    (

    i+ 1 j )

    (

    i+ 1 j + 1 )

    g

    ( 8 n e a r e s t n e i g h b o r s ) .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 7 9

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    80/143

    R e g u l a r r e c t a n g u l a r l a t t i c e s

    C l i q u e s o f a r s t o r d e r n e i g h b o r h o o d s y s t e m : a l l s i n g l e n o d e s p l u s a l l

    s u b g r a p h s o f t h e t y p e s

    i; 1 j

    i j ; 1 i j i j

    N o t a t i o n :

    C

    k

    = \ s e t o f a l l c l i q u e s f o r t h e o r d e r -k

    n e i g h b o r h o o d s y s t e m " .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 8 0

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    R e g u l a r r e c t a n g u l a r l a t t i c e s

  • 8/2/2019 Bayesian and Markov Random Fields

    81/143

    C l i q u e s o f a s e c o n d o r d e r n e i g h b o r h o o d :C

    1

    p l u s a l l s u b g r a p h s o f t h e

    t y p e s

    i; 1 j i ; 1 j

    qqqq

    qqqq

    i j ; 1

    i j i j i j + 1i

    ; 1 j ; 1

    ssss

    sss

    ssi

    ; 1 j

    i j; 1

    qqqq

    qqqq

    i j i j i j+ 1

    i j; 1

    i j

    i+ 1 j i + 1 j

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 8 1

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    82/143

    A u t o - m o d e l s

    O n l y p a i r - w i s e i n t e r a c t i o n s .

    I n t e r m s o f c l i q u e p o t e n t i a l s :

    j C j > 2 ) V

    C

    ( ) = 0 .

    T h e s e a r e t h e s i m p l e s m o d e l s , b e y o n d s i t e i n d e p e n d e n c e .

    E v e n f o r l a r g e n e i g h b o r h o o d s , w e c a n d e n e a n a u t o - m o d e l .

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 8 2

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

    G a u s s - M a r k o v R a n d o m F i e l d s ( G M R F )

  • 8/2/2019 Bayesian and Markov Random Fields

    83/143

    J o i n t p r o b a b i l i t y d e n s i t y f u n c t i o n ( f o r z e r o m e a n )

    p ( f) =

    p

    d e t (A )

    ( 2 )

    m = 2

    e x p

    ;

    1

    2

    f

    T

    A f

    T h e q u a d r a t i c f o r m i n t h e e x p o n e n t c a n b e w r i t t e n a s

    f

    T

    A f=

    m

    X

    i= 1

    m

    X

    j= 1

    f

    i

    f

    j

    A

    i j

    r e v e a l i n g t h a t t h i s i s a n a u t o - m o d e l ( t h e r e a r e o n l y p a i r - w i s e t e r m s ) .

    M a t r i x

    A( t h e p o t e n t i a l m a t r i x , i n v e r s e o f t h e c o v a r i a n c e m a t r i x )

    d e t e r m i n e s t h e n e i g h b o r h o o d s y s t e m :

    i 2 N ( j ) , A

    i j

    6= 0

    M a r i o A . T . F i g u e i r e d o

    I n s t i t u t o S u p e r i o r T e c n i c o , L i s b o n , P o r t u g a l

    P a g e 8 3

    B a y e s i a n M e t h o d s a n d M a r k o v R a n d o m F i e l d s C V P R - 9 8 , S a n t a B a r b a r a , C A , U S A

  • 8/2/2019 Bayesian and Markov Random Fields

    84/143

    N o t i c e t h a t t o b e a v a l i d p o t e n t i a l m a t r i x ,A

    h a s t o b e s y m m e t r i c ,

    t h u s r e s p e c t i n g t h e s y m m e t r y o f n e i g h b o r h o o d r e l a t i o n s .

    M a r i o A . T . F i g u e i


Recommended