HMM für Perspektive Schätzung im Dokumentbild kann nicht den Algorithmus verstehen

Question

Hier ist ein Papier, es geht um die Perspektive des binären Bildes mit Text Schätzen und einige Rauschen oder nicht Textobjekte.

PDF-Dokument

Der Algorithmus verwendet das Hidden-Markov-Modell: eigentlich zwei Bedingungen T - Text B - backgrouond (das heißt Rauschen)

Es ist schwer, den Algorithmus selbst zu verstehen. Die Frage ist, dass Ich habe über Hidden-Markov-Modelle lesen und ich weiß, dass es verwendet Wahrscheinlichkeiten, die bekannt sein müssen. Aber in diesem Algorithmus kann ich nicht verstehen, wenn sie HMM verwenden, wie sie diese Wahrscheinlichkeiten erhalten (Wahrscheinlichkeit, den Zustand von S1 in einem anderen Zustand zum Beispiel S2 zu ändern)?

Ich fand nichts von dort die Ausbildung auch in diesem Papier. Also, wenn jemand es versteht, bitte sagen Sie mir. Auch ist es möglich, HMM zu verwenden, ohne die Zustandsänderung Wahrscheinlichkeiten zu wissen?

EDIT: Mai wird sie eine Schätzung verwenden, ohne dass die HMM-Parameter zu kennen (Wahrscheinlichkeiten)

Answer 1

Vielleicht ist dies ein wenig zu akademisch, mehr in Bezug auf angewandte Mathematik als der Programmierung?

Wie auch immer: HMM sind traditionell trainiert (das heißt lernen, den Wert der Parameter des Modells, in diesem Fall die Wahrscheinlichkeiten) durch eine Datenbank bereits mit klassifiziert Daten. Sehen Sie sich das Baum Welchen Algorithmus . Diese Aufteilung in zwei Phasen: Lernen (oder Ausbildung) erstes (mit klassifizierten markierte Daten), Klassifizieren (oder wirkliche Arbeit) nach (mit nicht klassifizieren Daten) von vielen Algorithmen typisch ist, und es heißt wachte Klassifizierung .

Auf der anderen Seite, manchmal haben wir nicht ‚bekannt‘ (klassifizierte) Daten, so dass wir zurückgreifen zu müssen unüberwachte Klassifizierung , in der wir versuchen, das Modell zu lernen und zu klassifizieren, in dem gleichen Zeit. Das ist viel mehr beschränkt, und es bedeutet in der Regel viele symplifications und Reduzierung der Parameter für das Modell zu machen (so, dass wir nicht so viele Dinge zu lernen). Auf den ersten Blick scheint dies der Weg in diesem Artikel aufgenommen werden: sie vollständig allgemeine HMM betrachten tun sie nicht, aber eine sehr eingeschränkte ein, und versuchen, eine gute Passform für das Modell zu finden. Aber noch einmal, ich habe es schwer lesen.