Key points are not available for this paper at this time.
تمتلك العديد من فئات الصور خصائص هيكلية متفرقة لتبعية إحصائية ووجود استقلاليات شرطية بين مجموعات مختلفة من المتغيرات. تتيح هذه الخصائص إنشاء مصنف قوي من خلال تمثيل التبعيات المباشرة الأقوى بين المتغيرات فقط. على وجه الخصوص، تمثل شبكة بايزي بشكل مضغوط مثل هذا الهيكل. ومع ذلك، فإن تعلم هيكل شبكة بايزية معروف بأنه كامل NP. تجعل الأبعاد العالية للصور تعلم الهيكل تحديًا خاصًا. يصف هذا البحث خوارزمية تبحث عن هيكل المصنف القائم على شبكة بايزي في هذه المساحة الكبيرة من الهياكل المحتملة. تسعى الخوارزمية إلى تحسين وظيفتي تكلفة: خطأ محلي في دالة نسبة اللوغاريتم للتقييد الهيكلي وخطأ تصنيف عالمي لاختيار الهيكل النهائي للشبكة. يتم تقييد الهيكل النهائي للشبكة بحيث يمكن للبحث الاستفادة من التقديرات والتقييمات المحوسبة مسبقًا. نستخدم هذه الطريقة لتدريب كاشفات تلقائيًا لوجوه الوجه الأمامي، والعينين، وقزحية العين البشرية. بشكل خاص، يحقق كاشف الوجه الأمامي أداءً متقدمًا على مجموعة اختبار MIT-CMU لاكتشاف الوجه.
درس هنري شنايدرمان (يوم الجمعة) هذا السؤال.