Other

Machine Learning for Multimedia Content Analysis (springer 2007) pdf

  • Download Faster
  • Download torrent
  • Direct Download
  • Rate this torrent +  |  -
Machine Learning for Multimedia Content Analysis (springer 2007) pdf

Download Anonymously! Get Protected Today And Get your 70% discount


Torrent info

Name:Machine Learning for Multimedia Content Analysis (springer 2007) pdf

Infohash: 9EAB7868DE7CB2C949C4D6E67555D31277AE16F7

Total Size: 9.81 MB

Seeds: 0

Leechers: 0

Stream: Watch Full Movie @ Movie4u

Last Updated: 2024-05-22 17:58:12 (Update Now)

Torrent added: 2009-09-02 04:43:25






Torrent Files List


Machine_Learning_for_Multimedia_Content_Analysis_(springer_2007).pdf (Size: 9.81 MB) (Files: 1)

 Machine_Learning_for_Multimedia_Content_Analysis_(springer_2007).pdf

9.81 MB
 

Announce URL:

Torrent description

[SIZE=15][color=blue]Machine Learning for Multimedia Content Analysis[/SIZE][/color]
[SIZE=10][color=purple]by sunart[/SIZE][/color]


[color=orange]======>Screenshots <======[/color]
Machine Learning for Multimedia Content Analysis (springer 2007) pdf preview 0

[color=orange]======> Indice del Libro<======[/color]

[color=blue]
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Basic Statistical Learning Problems . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Categorizations of Machine Learning Techniques . . . . . . . . . . . . 4
1.2.1 Unsupervised vs. Supervised . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2 Generative Models vs. Discriminative Models . . . . . . . . . 4
1.2.3 Models for Simple Data vs. Models for Complex Data . . 6
1.2.4 Model Identification vs. Model Prediction . . . . . . . . . . . . 7
1.3 Multimedia Content Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

Part I Unsupervised Learning

2 Dimension Reduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1 Objectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Singular Value Decomposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3 Independent Component Analysis . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3.1 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3.2 Why Gaussian is Forbidden . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4 Dimension Reduction by Locally Linear Embedding . . . . . . . . . . 26
2.5 Case Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Data Clustering Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Spectral Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.2.1 Problem Formulation and Criterion Functions . . . . . . . . . 39
3.2.2 Solution Computation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
XII Contents
3.2.3 Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2.4 Discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.3 Data Clustering by Non-Negative Matrix Factorization . . . . . . . 51
3.3.1 Single Linear NMF Model . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.2 Bilinear NMF Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.4 Spectral vs. NMF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.5 Case Study: Document Clustering Using Spectral and NMF
Clustering Techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.5.1 Document Clustering Basics . . . . . . . . . . . . . . . . . . . . . . . . 62
3.5.2 Document Corpora . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.5.3 Evaluation Metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.5.4 Performance Evaluations and Comparisons . . . . . . . . . . . 65
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

Part II Generative Graphical Models

4 Introduction of Graphical Models . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.1 Directed Graphical Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.2 Undirected Graphical Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.3 Generative vs. Discriminative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.4 Content of Part II . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5 Markov Chains and Monte Carlo Simulation . . . . . . . . . . . . . . . 81
5.1 Discrete-Time Markov Chain. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.2 Canonical Representation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.3 Definitions and Terminologies . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.4 Stationary Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.5 Long Run Behavior and Convergence Rate . . . . . . . . . . . . . . . . . . 94
5.6 Markov Chain Monte Carlo Simulation . . . . . . . . . . . . . . . . . . . . . 100
5.6.1 Objectives and Applications . . . . . . . . . . . . . . . . . . . . . . . . 100
5.6.2 Rejection Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.6.3 Markov Chain Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.6.4 Rejection Sampling vs. MCMC. . . . . . . . . . . . . . . . . . . . . . 110
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
6 Markov Random Fields and Gibbs Sampling . . . . . . . . . . . . . . . 115
6.1 Markov Random Fields . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
6.2 Gibbs Distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
6.3 Gibbs – Markov Equivalence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
6.4 Gibbs Sampling . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
6.5 Simulated Annealing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
6.6 Case Study: Video Foreground Object Segmentation
by MRF. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
6.6.1 Objective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
6.6.2 Related Works . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
6.6.3 Method Outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
6.6.4 Overview of Sparse Motion Layer Computation . . . . . . . 136
6.6.5 Dense Motion Layer Computation Using MRF . . . . . . . . 138
6.6.6 Bayesian Inference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
6.6.7 Solution Computation by Gibbs Sampling . . . . . . . . . . . . 141
6.6.8 Experimental Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
7 Hidden Markov Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
7.1 Markov Chains vs. Hidden Markov Models . . . . . . . . . . . . . . . . . . 149
7.2 Three Basic Problems for HMMs . . . . . . . . . . . . . . . . . . . . . . . . . . 153
7.3 Solution to Likelihood Computation . . . . . . . . . . . . . . . . . . . . . . . 154
7.4 Solution to Finding Likeliest State Sequence . . . . . . . . . . . . . . . . 158
7.5 Solution to HMM Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
7.6 Expectation-Maximization Algorithm and its Variances . . . . . . 162
7.6.1 Expectation-Maximization Algorithm . . . . . . . . . . . . . . . . 162
7.6.2 Baum-Welch Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
7.7 Case Study: Baseball Highlight Detection Using HMMs . . . . . . 167
7.7.1 Objective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
7.7.2 Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
7.7.3 Camera Shot Classification . . . . . . . . . . . . . . . . . . . . . . . . . 169
7.7.4 Feature Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
7.7.5 Highlight Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
7.7.6 Experimental Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
8 Inference and Learning for General Graphical Models . . . . . 179
8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
8.2 Sum-product algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
8.3 Max-product algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
8.4 Approximate inference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
8.5 Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196

Part III Discriminative Graphical Models

9 Maximum Entropy Model and Conditional
Random Field . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
9.1 Overview of Maximum Entropy Model . . . . . . . . . . . . . . . . . . . . . 202
9.2 Maximum Entropy Framework . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
9.2.1 Feature Function . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
9.2.2 Maximum Entropy Model Construction . . . . . . . . . . . . . . 205
9.2.3 Parameter Computation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
9.3 Comparison to Generative Models . . . . . . . . . . . . . . . . . . . . . . . . . 210
9.4 Relation to Conditional Random Field . . . . . . . . . . . . . . . . . . . . . 213
9.5 Feature Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
9.6 Case Study: Baseball Highlight Detection Using Maximum
Entropy Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
9.6.1 System Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
9.6.2 Highlight Detection Based on Maximum
Entropy Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
9.6.3 Multimedia Feature Extraction . . . . . . . . . . . . . . . . . . . . . . 222
9.6.4 Multimedia Feature Vector Construction . . . . . . . . . . . . . 226
9.6.5 Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
10 Max-Margin Classifications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
10.1 Support Vector Machines (SVMs) . . . . . . . . . . . . . . . . . . . . . . . . . 236
10.1.1 Loss Function and Risk . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
10.1.2 Structural Risk Minimization . . . . . . . . . . . . . . . . . . . . . . . 237
10.1.3 Support Vector Machines . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
10.1.4 Theoretical Justification . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
10.1.5 SVM Dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
10.1.6 Kernel Trick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
10.1.7 SVM Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
10.1.8 Further Discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
10.2 Maximum Margin Markov Networks . . . . . . . . . . . . . . . . . . . . . . . 257
10.2.1 Primal and Dual Problems . . . . . . . . . . . . . . . . . . . . . . . . . 257
10.2.2 Factorizing Dual Problem . . . . . . . . . . . . . . . . . . . . . . . . . . 259
10.2.3 General Graphs and Learning Algorithm . . . . . . . . . . . . . 262
10.2.4 Max-Margin Networks vs. Other Graphical Models . . . . 262
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
A Appendix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 275

[/color]

[color=orange]======> Dati tecnici <======[/color]

Titolo:Machine Learning for Multimedia Content Analysis
Autore:Yihong Gong - Wei Xu
Editore:Springer (Science+Business Media)
Anno:2007
Lingua:Inglese
Formato file:PDF
Grandezza del file:9,81 MB

[color=orange]======> Note <======[/color]

Orari di seed: tutti i pomeriggi

Banda:10 kB/s

related torrents

Torrent name

health leech seeds Size
 


comments (0)

Main Menu