• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Statistics and computing >Pre-processing for approximate Bayesian computation in image analysis
【24h】

Pre-processing for approximate Bayesian computation in image analysis

机译：图像分析中近似贝叶斯计算的预处理

获取原文
获取原文并翻译 | 示例
       
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Most of the existing algorithms for approximate Bayesian computation (ABC) assume that it is feasible to simulate pseudo-data from the model at each iteration. However, the computational cost of these simulations can be prohibitive for high dimensional data. An important example is the Potts model, which is commonly used in image analysis. Images encountered in real world applications can have millions of pixels, therefore scalability is a major concern. We apply ABC with a synthetic likelihood to the hidden Potts model with additive Gaussian noise. Using a pre-processing step, we fit a binding function to model the relationship between the model parameters and the synthetic likelihood parameters. Our numerical experiments demonstrate that the precomputed binding function dramatically improves the scalability of ABC, reducing the average runtime required for model fitting from 71 h to only 7 min. We also illustrate the method by estimating the smoothing parameter for remotely sensed satellite imagery. Without pre-computation, Bayesian inference is impractical for datasets of that scale.
机译：现有的大多数用于近似贝叶斯计算（ABC）的算法都假设在每次迭代时从模型中模拟伪数据都是可行的。但是，这些模拟的计算成本对于高维数据可能是令人望而却步的。一个重要的例子是Potts模型，该模型通常用于图像分析。实际应用中遇到的图像可能具有数百万个像素，因此可伸缩性是一个主要问题。我们将具有合成似然性的ABC应用于具有加性高斯噪声的隐藏Potts模型。使用预处理步骤，我们拟合绑定函数以对模型参数与合成似然参数之间的关系进行建模。我们的数值实验表明，预先计算的绑定函数极大地提高了ABC的可伸缩性，将模型拟合所需的平均运行时间从71小时减少到仅7分钟。我们还通过估计遥感卫星图像的平滑参数来说明该方法。没有预计算，贝叶斯推断对于该规模的数据集是不切实际的。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号