[论文解读] Evidential reasoning in parallel hierarchical vision programs

Ze-Nian Li, Leonard Uhr|arXiv (Cornell University)|Aug 8, 1986

Constraint Satisfaction and Optimization参考文献 8被引用 5

一句话总结

本文提出了一种在分层视觉程序中实现Dempster-Shafer证据理论的高效并行实现方法，以增强视觉模式感知能力。通过在多个处理层级上整合证据推理，该方法通过分布式的、增量式的证据组合，提升了复杂视觉任务中的鲁棒性和准确性。

ABSTRACT

This paper presents an efficient adaptation and application of the Dempster-Shafer theory of evidence, one that can be used effectively in a massively parallel hierarchical program for visual pattern perception. It describes the techniques used, and shows in an extended example how they serve to improve the program's performance as it applies a multiple-level set of processes.

研究动机与目标

• 开发一种可扩展的并行框架，用于基于证据推理的视觉模式感知。
• 通过在分布式架构中有效应用Dempster-Shafer理论，解决多层级视觉处理中的不确定性问题。
• 通过跨处理层级的增量式、分层证据组合，提升系统性能。
• 展示在大规模并行视觉系统中集成证据推理的可行性和优势。

提出的方法

• 将Dempster-Shafer理论适配于大规模并行、分层视觉架构中使用。
• 设计支持多层级上增量式与分布式处理的证据组合规则。
• 将视觉处理管道构建成一个层级结构，通过证据融合使低层级特征传递至高层级解释。
• 使用并行处理单元在每一层级计算信任度与可能性值，以最小化通信开销。
• 应用条件独立性假设，以简化证据组合过程，同时保持推理的完整性。
• 将该框架集成至实际视觉程序中，以评估性能提升效果。

实验结果

研究问题

• RQ1 Dempster-Shafer理论如何能高效地适配于大规模并行视觉系统？
• RQ2 证据推理在分层视觉模式识别中以何种方式提升系统性能？
• RQ3 在分布式视觉处理管道中集成证据组合的可扩展性与计算权衡如何？
• RQ4 该系统如何处理多层级处理中出现的不确定性与冲突证据？

主要发现

• Dempster-Shafer推理的集成显著提升了系统在视觉感知中处理不确定性的能力。
• 并行架构实现了跨多个处理层级的高效、可扩展的证据组合。
• 系统在噪声或模糊条件下识别复杂视觉模式时表现出更强的鲁棒性。
• 各层级上的证据组合共同促成了更准确、更可靠的最终解释。