HMM per la stima prospettiva dell'immagine documento, non può capire l'algoritmo

Question

Ecco la carta, si tratta di stimare la prospettiva di binario contenente testo dell'immagine e alcuni rumore o non oggetti di testo.

documento PDF

L'algoritmo utilizza l'Hidden Markov Model: in realtà due condizioni T - Testo B - backgrouond (cioè rumore)

E 'difficile capire lo stesso algoritmo. La questione è che Ho letto su Hidden Markov Models e so che utilizza le probabilità che devono essere conosciute. Ma in questo algoritmo non riesco a capire, se usano HMM, come fanno a ottenere quelle probabilità (probabilità di modificare lo stato da S1 a un altro stato, ad esempio S2)?

Non ho trovato nulla di formazione c'è anche in quella della carta. Quindi, se qualcuno lo capisce, mi dica. Inoltre è possibile utilizzare HMM senza conoscere le probabilità di stato di cambiamento?

EDIT: Può essere che stanno utilizzando un po 'di stima, senza conoscere i parametri di HMM (probabilità)

Answer 1

Forse questo è un po 'troppo accademica, più legate alla matematica applicata rispetto alla programmazione?

In ogni caso: HMM sono tradizionalmente formato (cioè imparare il valore dei parametri del modello, in questo caso le probabilità) utilizzando alcuni database già classificati di dati. Vedere la Baum Welch algoritmo . Questa divisione in due fasi: l'apprendimento (o formazione) prima (con i dati classificati marcato), (lavoro o reale) classificare dopo (con i dati non classificati) è tipico di molti algoritmi, e si chiama sotto la supervisione di classificazione .

D'altra parte, a volte non abbiamo 'noto' i dati (classificate), per cui si deve ricorrere a senza supervisione classificazione , in cui si cerca di imparare il modello e classificare allo stesso tempo. Questo è molto più limitato, e di solito implica facendo molti symplifications e riduzione dei parametri per il modello (in modo che non abbiamo così tante cose da imparare). A prima vista, questo sembra essere il percorso intrapreso in tale articolo: essi non considerano un HMM completamente generale, ma uno molto ristretto, e cercare di trovare una buona misura per il modello. Ma, ancora una volta, i havent letto sul serio.