دانلود کتاب Multiresolution Markov Models for Signal and Image Processing

ترجمه فارسی توضیحات (ترجمه ماشینی)

مدل های مارکوف چند رزولوشن برای پردازش سیگنال و تصویر

این مقاله یک مؤلفه مهم از حوزه غنی مدل‌سازی و پردازش چند وضوح آماری (MR) را بررسی می‌کند. این روش‌های MR کاربرد پیدا کرده‌اند و در ادبیات مجموعه‌ای از رشته‌های پراکنده نفوذ کرده‌اند، و یکی از اهداف اصلی ما ارائه تصویری واحد و منسجم از این چارچوب است. هدف دوم این است که توضیح دهد که چگونه این موضوع در حوزه وسیع‌تر روش‌ها و مفاهیم MR قرار می‌گیرد – به ویژه ایجاد ارتباط با موضوعاتی مانند موجک‌ها و روش‌های چندشبکه. سومین مورد، ارائه چندین دیدگاه جایگزین برای این مجموعه از کار است، زیرا روش ها و مفاهیمی که ما توصیف می کنیم با تعدادی از زمینه های دیگر تلاقی می کنند. تمرکز اصلی ارائه ما کلاس فرآیندهای MR Markov است که بر روی درختان هرمی سازمان یافته تعریف شده است. جذابیت این مدل‌ها هم از الگوریتم‌های بسیار کارآمدی که آنها اذعان می‌کنند و هم از قدرت بیان و کاربرد وسیع آنها ناشی می‌شود. ما نشان می‌دهیم که چگونه انواع روش‌ها و مدل‌ها با این چارچوب از جمله مدل‌هایی برای خود مشابه و فرآیندها مرتبط هستند. ما همچنین نحوه استفاده از این روش ها را در عمل نشان می دهیم. ما درباره ساخت مدل‌های MR روی درختان بحث می‌کنیم و نشان می‌دهیم که چگونه سؤالاتی که در این زمینه ایجاد می‌شوند با موجک‌ها، مدل‌سازی فضای حالت سری‌های زمانی، شناسایی سیستم و پارامتر و مدل‌های پنهان مارکوف تماس برقرار می‌کنند. همچنین محدودیت‌های مدل‌ها و الگوریتم‌های مبتنی بر درخت و مصنوعاتی را که می‌توانند معرفی کنند، مورد بحث قرار می‌دهیم. ما توضیح می‌دهیم که چه زمانی این موارد نگران‌کننده هستند و راه‌هایی که می‌توان بر آن‌ها غلبه کرد. این منجر به بحث در مورد مدل های MR در نمودارهای کلی تر و پیوندهایی با روش های شناخته شده و نوظهور برای استنتاج در مدل های گرافیکی می شود.

Multiresolution Markov Models for Signal and Image Processing

This paper reviews a significant component of the rich field of statistical multiresolution (MR) modeling and processing. These MR methods have found application and permeated the literature of a widely scattered set of disciplines, and one of our principal objectives is to present a single, coherent picture of this framework. A second goal is to describe how this topic fits into the even larger field of MR methods and concepts – in particular making ties to topics such as wavelets and multigrid methods. A third is to provide several alternate viewpoints for this body of work, as the methods and concepts we describe intersect with a number of other fields. The principle focus of our presentation is the class of MR Markov processes defined on pyramidally-organized trees. The attractiveness of these models stems from both the very efficient algorithms they admit and their expressive power and broad applicability. We show how a variety of methods and models relate to this framework including models for self-similar and processes. We also illustrate how these methods have been used in practice. We discuss the construction of MR models on trees and show how questions that arise in this context make contact with wavelets, state space modeling of time series, system and parameter identification, and hidden Markov models. We also discuss the limitations of tree-based models and algorithms and the artifacts that they can introduce. We describe when these are of concern and ways in which they can be overcome. This leads to a discussion of MR models on more general graphs and ties to well-known and emerging methods for inference on graphical models.