HMM pour l'estimation en perspective dans l'image du document, ne peut pas comprendre l'algorithme

Question

Voici un document, il est sur l'estimation de la perspective de l'image binaire contenant du texte et des objets texte ou bruit non.

document PDF

L'algorithme utilise le modèle de Markov caché: en fait deux conditions T - texte B - backgrouond (c.-à-bruit)

Il est difficile de comprendre l'algorithme lui-même. La question est que J'ai lu à propos de modèles de Markov cachés et je sais qu'il utilise des probabilités qui doivent être connues. Mais dans cet algorithme, je ne comprends pas, si elles utilisent HMM, comment sont-ils ces probabilités (probabilité de changer l'état de S1 à un autre état, par exemple S2)?

Je ne trouve rien là aussi la formation dans ce document. Donc, si quelqu'un comprend, s'il vous plaît me dire. Aussi est-il possible d'utiliser HMM sans connaître les probabilités de changement d'état?

EDIT: Peut-être qu'ils utilisent une estimation, sans connaître les paramètres de HMM (probabilités)

Answer 1

Peut-être un peu trop académique, plus en rapport avec les mathématiques appliquées à la programmation?

Quoi qu'il en soit: HMM sont traditionnellement formés (à savoir apprendre la valeur des paramètres du modèle, dans ce cas, les probabilités) en utilisant une base de données déjà classées données. Voir Baum Welch . Cette division de deux phases: l'apprentissage (ou de formation) premier (avec des données marqué classées), classer (ou réel travail) après (avec des données non classifiées) est typique de nombreux algorithmes, et il est appelé classification supervisée .

Par contre, parfois, nous n'avons pas « connu » des données (classées), nous devons recourir à non surveillée classification , où nous essayons d'apprendre le modèle et classer en même temps. Cela est beaucoup plus limité, et implique généralement faire beaucoup symplifications et à la réduction des paramètres du modèle (de sorte que nous n'avons pas tant de choses à apprendre). À première vue, cela semble être le chemin emprunté dans cet article: ils ne considèrent pas un HMM pleinement général, mais très restreint, et essayer de trouver un bon ajustement pour le modèle. Mais, encore une fois, je nai pas lu sérieusement.