贝叶斯网络模型向前风险预测图怎么花的

1、根据问题和数据，确定网络中的变量和因果关系。

2、在纸上或计算机上绘制贝叶斯网络的结构图。

3、使用节点来表示每个变量，使用箭头来表示变量之间的因果关系。

4、使用贝叶斯定理和已知的数据来计算每个节点的后验概率，即给定其他节点取值的条件下，该节点的概率分布。

5、在向前风险预测图中添加置信区间、风险等级等信息，以方便决策。

三维人体姿态重建通常是指利用外部设备对人体进行三维姿态还原。相比于稠密的人体几何形状，人体骨架是表示人体姿势的一种紧凑型表达方式。本次主要介绍基于人体骨架的姿态重建。

目前工业界已有相对成熟的三维姿态重建解决方案，即接触式的动作捕捉系统，例如著名的光学动作捕捉系统Vicon（图1）。首先将特制的光学标记点（Marker）贴附在人体的关键部位（如人体的关节处），多个特殊的动作捕捉相机可以从不同角度实时检测Marker点。随后根据三角测量原理精确计算Marker点的空间坐标，再利用反向动力学（Inverse kinematics，IK）算法解算人体骨骼的关节角。由于场景与设备的限制，高昂的价格，接触式运动捕捉难以被普通消费者所使用。因此研究者继而将目光投向了低成本、非接触式的无标记动作重建技术。本次主要介绍近年来利用单目RGB-D相机或者单目RGB相机进行姿态重建的工作。

基于单目RGB-D相机的姿态重建

基于RGB-D的三维姿态重建方法可分为两类[1]：判别式方法与生成式方法。判别式方法通常试图从深度图像中直接推测出三维人体姿态。其中一部分工作尝试从深度图中提取与关节位置相对应的特征。

例如，Plagemann等人[47]利用测地线极值来识别人体中的显著点，然后利用局部形状描述符检测人体三维关节位置。另外一些判别方法则依赖于离线训练的分类器或者回归器。

Shotton等人[48]首先利用大量的样本训练了一个随机森林（Random forest）分类器，从深度图中分割出不同的人体部件区域，随后他们利用均值漂移（Mean shift）算法估计出关节位置。该方法的预测仅需要少量的计算量，可实时运行。该方法随后被Kinect SDK集成，用于实时重建三维姿态。

Taylor等人[49]利用随机森林方法预测属于人体关节的深度像素区域，随后将其用于姿态优化。判别式方法并不依赖于跟踪，可以减少累计误差，并且能够自然的处理快速运动。

与判别式方法不同，生成式方法通过变形参数化或非参数化模板来匹配观测数据。Ganapathi等人[50]使用动态贝叶斯网络（Dynamic Bayesian Network，DBN）来建模运动状态，并利用一个最大后验概率（Maximuma Posterior, MAP）框架推断出三维姿态。该方法需要事先知道人体的身材，并且不能有效地处理快速的人体运动。随后，Ganapathi等人[51]利用扩展的ICP测量模型和自由空间约束对方法[50]进行了改进。新方法可对人体参数化模板的大小进行动态调整，用于适配捕捉到的深度数据。

基于RGB-D的姿态重建方法由于其硬件限制，容易受到深度图噪声干扰，只能在距离较近的场景下适用。

基于单目RGB相机的姿态重建

得益于大规模带有三维人体姿态标注的视频数据集（如Human36M[52]，Human-Eva[53]）的出现，基于深度学习的三维姿态重建方法发展迅速。它们直接利用深度学习模型从图像或者视频中提取三维人体关节点位置[54–60]。

Li等人[54]是最早将深度学习引入到三维姿态估计，他们设计了一个包含检测与回归的多任务卷积神经网络，直接从图像中自动学习特征来回归三维关节点的位置，超过了以往通过人为设计特征的方法。

Pavlakos等人[56]提出了一种体素热图来描述人体关节点在三维体素空间不同位置上的可能性，并且使用一种从粗到细的级联策略来逐步细化体素热图的预测，取得了很好的姿态重建准确度。然而，这种体素表示往往需要面对巨大的存储和计算开销，最近[61]利用编码-解码（Encoder-Decoder）思想较好的解决了这个问题。

除了直接预测关节点三维位置，还有一些工作预测骨骼朝向[64,65]，关节角[66]，骨骼向量[67,68]等等。上述工作都采用强监督的方式进行训练，由于训练数据都是在受控环境下采集，因此训练出的模型通常都难以泛化到自然场景中。

为了提高模型的泛化能力，一些工作尝试利用弱监督的方式来监督自然场景中的图像，比如使用域判别器[69]，骨骼长度先验[70]等等。

另一类三维姿态估计方法则将二维人体姿态作为中间表示。首先在图像中利用人工标注或者自动检测[71–74]的二维人体关节，然后通过回归方法[57,62,75]或者模型拟合[76]的方式将其提升到三维空间。

Martinez等人[62]设计了一个简单但是有效的全连接网络结构，它以二维关节点位置作为输入，输出三维关节点位置，如图2。

随后，Zhao等人[75]提出利用语义图卷积层模块捕捉人体关节点之间的拓扑相关性（比如人体对称性），进一步提高了三维姿态的重建准确性。但是从二维姿态映射到三维姿态本身是一个歧义问题，原因在于多个三维姿态可以投影出同一个二维姿态[77]。最近的一些工作尝试加入更多的先验知识来减轻歧义性[78–80]。

上述工作都属于判别式模型，预测得到的三维关节点位置可能不符合人体解剖学约束（比如不满足对称性，骨骼长度比例不合理）或者运动学约束（关节角超过限制）。Mehta等人[63]将一个人体骨架模板拟合预测得到的二维关节点与三维关节点位置，并提出了第一个基于RGB相机的实时三维姿态重建系统VNect，得到了较为准确的姿态重建结果。如图3所示。

参考文献

接上篇参考文献

[47] PLAGEMANN C, GANAPATHI V, KOLLER D, etal Real-time identification and localization of body parts from depthimages[C]//2010 IEEE International Conference on Robotics and Automation IEEE,2010: 3108-3113

[48] Shotton J, Fitzgibbon A, Cook M, etal Real-time human pose recognition in parts from single depth images[C]//CVPR2011 2011: 1297-1304

[49] TAYLOR J, SHOTTON J, SHARP T, et alThe vitruvian manifold: Inferring dense correspondences for one-shot human pose estimation[C]//2012 IEEE Conference on Computer Vision and Pattern RecognitionIEEE, 2012: 103-110

[50] GANAPATHI V, PLAGEMANN C, KOLLER D, etal Real time motion capture using a single time-of-flight camera[C]//2010 IEEEComputer Society Conference on Computer Vision and Pattern Recognition IEEE,2010: 755-762

[51] GANAPATHI V, PLAGEMANN C, KOLLER D, etal Real-time human pose tracking from range data[C]//European conference oncomputer vision Springer, 2012: 738-751

[52] IONESCU C, PAPAVA D, OLARUV, et alHuman3 6m: Large scale datasets and predictive methods for 3D human sensing innatural environments[J] IEEE Transactions on Pattern Analysis and MachineIntelligence, 2013, 36(7):1325-1339

[53] SIGAL L, BALAN A O, BLACK M JHumaneva: Synchronized video and motion capture dataset and baseline algorithmfor evaluation of articulated human motion[J] International journal ofcomputer vision, 2010, 87(1-2):4

[54] LI S, CHANA B 3d human poseestimation from monocular images with deep convolutional neuralnetwork[C]//Asian Conference on Computer Vision Springer, 2014: 332-347

[55] POPA A I, ZANFIR M, SMINCHISESCU CDeep multitask architecture for integrated 2d and 3d humansensing[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 2017: 6289-6298

[56] PAVLAKOS G, ZHOU X, DERPANIS K G, etal Coarse-to-fine volumetric prediction for single-image 3D humanpose[C]//IEEE Conference on Computer Vision and Pattern Recognition 2017:7025-7034

[57] FANG H S, XU Y, WANG W, et alLearning pose grammar to encode human body configuration for 3d poseestimation[C]//Proceedings of the AAAI Conference on Artificial Intelligence:volume 32 2018

[58] SUN X, XIAO B, WEI F, et al Integralhuman pose regression[C]//Proceedings of the European Conference on ComputerVision (ECCV) 2018: 529-545

[59] LEE K, LEE I, LEE S Propagating lstm:3d pose estimation based on joint interdependency [C]//Proceedings of theEuropean Conference on Computer Vision (ECCV) 2018: 119-135

[60] HABIBIE I, XU W, MEHTA D, et al Inthe wild human pose estimation using explicit 2d features and intermediate 3drepresentations[C]//Proceedings of the IEEE/CVF Conference on Computer Visionand Pattern Recognition 2019: 10905-10914

[61] FABBRI M, LANZI F, CALDERARA S, et alCompressed volumetric heatmaps for multiperson 3d poseestimation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision andPattern Recognition 2020: 7204-7213

[62] MARTINEZ J, HOSSAIN R, ROMERO J, etal A simple yet effective baseline for 3D human poseestimation[C]//Proceedings of the IEEE International Conference on ComputerVision 2017: 2640-2649

[63] MEHTA D, SRIDHAR S, SOTNYCHENKO O, etal VNect: Real-time 3D human pose estimation with a single RGB camera[J] ACMTransactions on Graphics (TOG), 2017, 36 (4):44

[64] LUO C, CHU X, YUILLE A Orinet: Afully convolutional network for 3d human pose estimation[J] arXiv preprintarXiv:181104989, 2018

[65] JOO H, SIMON T, SHEIKH Y Totalcapture: A 3D deformation model for tracking faces, hands, and bodies[C]//IEEEConference on Computer Vision and Pattern Recognition 2018: 8320-8329

[66] HABERMANN M, XU W, ZOLLHOEFER M, etal Deepcap: Monocular human performance capture using weak supervision[J]arXiv: Computer Vision and Pattern Recognition, 2020

[67] SUN X, SHANG J, LIANG S, et alCompositional human pose regression[C]//Proceedings of the IEEE InternationalConference on Computer Vision 2017: 2602-2611

[68] SUN X, LI C, LIN S Explicitspatiotemporal joint relation learning for tracking human pose [C]//Proceedingsof the IEEE/CVF International Conference onComputerVisionWorkshops2019: 0-0

[69] YANGW, OUYANGW,WANGX, et al 3Dhumanpose estimation in the wild by adversarial learning[C]//IEEE Conference onComputer Vision and Pattern Recognition 2018: 52555264

[70] ZHOU X, HUANG Q, SUN X, et al Towards3D human pose estimation in the wild: a weakly-supervised approach[C]//IEEEInternational Conference on Computer Vision 2017: 398-407

[71] WEI S E, RAMAKRISHNA V, KANADE T, etal Convolutional pose machines[C]// Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition 2016: 4724-4732

[72] NEWELL A, YANG K, DENG J Stackedhourglass networks for human pose estimation [C]//European conference oncomputer vision 2016: 483-499

[73] CHEN Y, WANG Z, PENG Y, et alCascaded pyramid network for multi-person pose estimation[C]//IEEE Conferenceon Computer Vision and Pattern Recognition (CVPR) 2018

[74] XIAO B, WU H, WEI Y Simple baselinesfor human pose estimation and tracking[C]//The European Conference on ComputerVision (ECCV) 2018

[75] ZHAO L, PENG X, TIANY, et al Semanticgraph convolutional networks for 3d human pose regression[C]//Proceedings ofthe IEEE/CVF Conference on Computer Vision and Pattern Recognition 2019:3425-3435

[76] CHENC H,RAMANAND 3D human poseestimation= 2D pose estimation+ matching[C]// Proceedings of the IEEEConference on Computer Vision and Pattern Recognition 2017: 7035-7043

[77] HOSSAINMR I, LITTLE J J Exploitingtemporal information for 3d human pose estimation [C]//Proceedings of theEuropean Conference on Computer Vision (ECCV) 2018: 68-84

[78] TEKIN B, MÁRQUEZ-NEILA P, SALZMANN M,et al Learning to fuse 2d and 3d image cues for monocular body poseestimation[C]//Proceedings of the IEEE International Conference on ComputerVision 2017: 3941-3950

[79] WANG J, HUANG S, WANG X, et al Notall parts are created equal: 3d pose estimation by modeling bi-directionaldependencies of body parts[C]//Proceedings of the IEEE/CVF InternationalConference on Computer Vision 2019: 7771-7780

[80] PAVLAKOS G, ZHOU X, DANIILIDIS KOrdinal depth supervision for 3D human pose estimation[C]//IEEE Conference onComputer Vision and Pattern Recognition 2018: 7307-7316

直接上示例吧。

     对上述信息建立贝叶斯网络，代码如下

[plain] view plaincopyprint

N=8;  

dag=zeros(N,N);  

A=1;S=2;T=3;L=4;B=5;E=6;X=7;D=8;  

dag(A,T)=1;  

dag(S,[L B])=1;  

dag([T L],E)=1;  

dag(B,D)=1;  

dag(E,[X D])=1;  

discrete_nodes=1:N;  

node_sizes=2ones(1,N);  

bnet=mk_bnet(dag,node_sizes,'names',{'A','S','T','L','B','E','X','D'},'discrete',discrete_nodes);  

bnetCPD{A}=tabular_CPD(bnet,A,[099,001]);  

bnetCPD{S}=tabular_CPD(bnet,S,[05,05]);  

bnetCPD{T}=tabular_CPD(bnet,T,[099,095,001,005]);  

bnetCPD{L}=tabular_CPD(bnet,L,[099,09,001,01]);  

bnetCPD{B}=tabular_CPD(bnet,B,[07,04,03,06]);  

bnetCPD{E}=tabular_CPD(bnet,E,[1,0,0,0,0,1,1,1]);  

bnetCPD{X}=tabular_CPD(bnet,X,[095,002,005,098]);  

bnetCPD{D}=tabular_CPD(bnet,D,[09,02,03,01,01,08,07,09]);  

draw_graph(dag)  

                    说明：有N=8个节点，建立有向无环图dag，并且这些点的值是离散的，这里1=False 2=True，node_sizes给出了所有状态

                    mk_bnet中names后的{}里面给出了各个节点的别名

                    利用tabular_CPD设置各个变量的边缘概率，对于A和S，定义顺序是False True；对于T、L和B这类，顺序是FF  FT TF TT；对于D这类，顺序是FFF FFT FTF FTT TFF TFT TTF TTT

       简单检查下A的概率

[plain] view plaincopyprint

engine=jtree_inf_engine(bnet);  

evidence=cell(1,N);  

[engine,loglik]=enter_evidence(engine,evidence);  

m=marginal_nodes(engine,A);  

mT()  

现在可以给定任意条件，然后计算概率了。

[plain] view plaincopyprint

例如要计算任意组合条件下，个体分别得Tub、lung cancer和bronchitis的概率。下面代码计算了P（T=True|A=False,S=True,X=True,D=False）的概率  

[plain] view plaincopyprint

engine=jtree_inf_engine(bnet);  

evidence=cell(1,N);  

evidence{A}=1;  

evidence{S}=2;  

evidence{X}=2;  

evidence{D}=1;  

[engine,loglik]=enter_evidence(engine,evidence);  

m=marginal_nodes(engine,T);  

mT(2)  

使用贝叶斯网络必须知道各个状态之间相关的概率。得到这些参数的过程叫做训练。和训练马尔可夫模型一样，训练贝叶斯网络要用一些已知的数据。比如在训练上面的网络，需要知道一些心血管疾病和吸烟、家族病史等有关的情况。相比马尔可夫链，贝叶斯网络的训练比较复杂，从理论上讲，它是一个 NP-complete问题，也就是说，现阶段没有可以在多项式时间内完成的算法。但是，对于某些应用，这个训练过程可以简化，并在计算上高效实现。

常见的推理把戏不包括让与结论有关的信息看起来与结论相关。

关于推理的造句如下：

1、随着风的节奏做出精辟的推理，黑色镜子也渐渐变得清晰。

2、“他就是那个不穿皮靴站在随军商贩身边的上尉。”安德烈公爵思忖了片刻，高兴地听出令人悦意的富有抽象推理意味的发言。

3、重点介绍概率理论的历史，以及盖然论和因果推理的计算方法。

4、我没有说我的“笑看风云不敢来”是推理结果,只是叫号!你看我主贴推理有什么谬误这可是给你设置了一个二难推理呀！

5、的起源武术的起源功夫环绕的模糊推理的少林寺和少林武僧。

6、真值表解法推理的根据在于思维内容的一致性和确定性。

7、该研究团队发现，在人处于群体中时，作为大脑犒赏系统中枢组成成分的纹状体与影响人们逻辑推理的内侧前额叶皮质会变得异常活跃。

8、当情绪化的狂热平静下来，拥有推理习惯的人就会去为他自己的信仰寻找逻辑支持。

9、不被人注意的事物，非但不是什么阻碍，反而是一种线索。解决此类问题时，主要运用推理方法，一层层往回推。

10、贝叶斯网络是数据采掘的一个非常有效的工具，它能够定性和定量地分析属性之间的依赖关系，进行概率推理。