Inspirés par ces avancées, pour résoudre les problèmes susmentionnés des modèles HMRF, nous avons introduit une nouvelle formulation bayésienne non paramétrique pour le modèle HMRF, le modèle Infinite HMRF (iHMRF), formulé sur la base d`une construction conjointe DPM et HMRF. Nous avons dérivé un algorithme d`inférence bayésien variationnel efficace pour le modèle proposé, et nous l`avons appliqué à une série de problèmes de segmentation d`image démontrant ses avantages par rapport aux méthodologies existantes basées sur l`apprentissage. Les modèles de champ aléatoire Markov caché (HMRF) sont des modèles statistiques paramétriques largement utilisés pour la segmentation d`image, car ils apparaissent naturellement dans les problèmes où un schéma de clustering contraint spatialement est demandé. Une limitation majeure des modèles HMRF concerne la sélection automatique du nombre approprié de leurs États, c`est-à-dire le nombre de segments dérivés de la procédure de segmentation d`image. Typiquement, à cette fin, divers critères fondés sur la probabilité sont employés. Néanmoins, ces méthodes ne parviennent souvent pas à donner des résultats satisfaisants, tandis que leur utilisation entraîne une charge de calcul significative. Récemment, les modèles de mélange de processus de Dirichlet (DPM) ont émergé dans la pierre angulaire des statistiques bayésiennes non paramétriques comme des candidats prometteurs pour les applications de clustering où le nombre de grappes est inconnu a priori. Cartes de probabilité déformables. En allant au-delà du couplage des modèles déformables avec classification, nous avons développé les cartes de probabilité déformable (DPMs) pour la segmentation d`objets, qui sont des modèles d`apprentissage solidement graphiques incorporant des propriétés de modèle déformables parmi les sites (cliques). La configuration DPM est décrite par des fonctions d`énergie probabilistes, qui incorporent la forme et l`apparence, et déterminent le lissage 1D et 2D (contour et surface), la cohérence des entités de région d`image et la topologie par rapport aux arêtes saillant de l`image. De même que les modèles déformables, les DPMs sont dynamiques et leur évolution est résolue en tant que problème d`inférence de MAP. Nous avons développé un nouveau cadre pour le suivi 3D robuste, pour obtenir une grande précision et robustesse, combinant les avantages susmentionnés des approches continues et discrètes. Notre approche consiste en un couplage dynamique piloté par les données entre un tracker continu et une nouvelle méthode d`estimation de forme discrète.

Notre Tracker discret utilise une base de données, qui contient des séquences de formes d`objets, au lieu d`échantillons de forme unique, introduisant une contrainte de continuité temporelle. Les deux trackers fonctionnent en parallèle, ce qui donne des solutions pour chaque trame séparément. Bien qu`un système étroitement couplé exigerait une complexité computationnelle élevée, notre cadre choisit instantanément la meilleure solution des deux trackers, basée sur une erreur. Il s`agit de l`erreur 3D réelle, c`est à dire la différence entre la forme 3D attendue et celle estimée. Lors du suivi des objets avec des degrés de liberté élevés et des mouvements brusques, il est difficile d`obtenir ces informations 3D, car il n`y a pas de forme de la vérité du sol disponible.