机器视觉学习与生成模型研究

"感知填补"现象表明人类的视觉感知系统是一种十分强大的生成模型。生成模型通过对输入数据的联合概率进行学习和建模,不仅有能力填补不完整输入, 实现模式联想；而且也适合进行模式分类。生成模型还可以有效结合先验知识，提高学习性能和效率。. 本项研究采用有别于传统的以图象为中心的机器视觉方法，将研究重点转移到机器视觉计算模型，试图从改进视觉模型的学习和计算能力来提高处理视觉信息的性能。研究工作以视觉学习Bayes理论为基石，以视觉学习生成模型为突破口，有机结合判别模型的分类特长，设计和实现一种新颖的混合型视觉学习生成模型。使用视觉学习生成模型实现复杂的现实世界背景的建模，进行快速高效地前景/背景鉴别。利用混合型视觉生成模型进行情感计算，尝试在统一的计算模型中实现用户表情的识别与虚拟人表情的生成。