Information Theory in Computer Vision and Pattern Recognition

تئوری اطلاعات (IT) می‌تواند برای فرمول‌بندی و طراحی راه‌حل‌های الگوریتمی برای بسیاری از مسائل در بینایی کامپیوتری و تشخیص الگو (CVPR) بسیار مؤثر باشد.

این متن معیارها، اصول، نظریه‌ها و برآوردگرهای آنتروپی را از الگوریتم‌های مدرن CVPR زیربنای فناوری اطلاعات معرفی و بررسی می‌کند و پوشش جامعی از موضوع را از طریق رویکرد پیچیدگی افزایشی ارائه می‌کند. نویسندگان مسائل اصلی CVPR را فرموله کرده و نماینده ترین الگوریتم ها را ارائه می دهند. علاوه بر این، آنها ارتباطات جالب بین عناصر IT را هنگامی که برای مشکلات مختلف اعمال می‌شوند برجسته می‌کنند، که منجر به توسعه یک نقشه راه تحقیقاتی اساسی (لوله ITinCVPR) می‌شود. نتیجه یک ابزار جدید است که در مفهوم خود منحصر به فرد است، هم برای محققان CVPR و هم برای محققان فناوری اطلاعات، که در نظر گرفته شده است تا حد امکان به لقاح متقابل هر دو منطقه کمک کند.

• تقسیم بندی تصویر مبتنی بر کانتور و ناحیه را در بینایی رایانه معرفی می کند، واگرایی جنسن-شانون، اصل حداکثر آنتروپی، حداقل را پوشش می دهد. اصل طول توصیف (MDL) و رویکردهای افتراقی-مولد برای تقسیم‌بندی
• مشکلات را در خوشه‌بندی تصویر و الگو، بحث درباره مخلوط‌های گاوسی، گلوگاه اطلاعات، خوشه‌بندی اطلاعات قوی، بررسی می‌کند. و تغییر میانگین مبتنی بر فناوری اطلاعات، و همچنین استراتژی‌هایی برای تشکیل مجموعه‌های خوشه‌بندی
• شامل مجموعه‌ای از مسائل در پایان هر فصل است تا هر دوی آن‌چه را که وجود دارد، تثبیت کند. آموخته شده و برای آزمایش توانایی تعمیم مفاهیم مورد بحث
• بررسی کاربرد فناوری اطلاعات در نقاط مورد علاقه، تشخیص لبه و گروه بندی در بینایی کامپیوتر، از جمله مفهوم آنتروپی شانون، اطلاعات چرنوف و اطلاعات متقابل، قضیه سانوف و نظریه انواع
• روش های ثبت، تطبیق و تشخیص تصاویر و الگوها را با در نظر گرفتن معیارهای مرتبط بررسی می کند. به مفهوم اطلاعات متقابل، مشتقات جایگزین واگرایی جنسن-شانون، تانسور متریک فیشر-رائو، و استفاده از اصل MDL برای ثبت درخت
• منابع مطالب اضافی، از جمله راه حل های ترسیم شده و مراجع اضافی، در http://www.rvg.ua.es/ITinCVPR
• رویکردهای اصلی برای انتخاب ویژگی و ویژگی را بررسی می کند. تبدیل، توصیف روش‌های تجزیه و تحلیل مؤلفه‌های اصلی و تعمیم آن، و تجزیه و تحلیل مؤلفه‌های مستقل، همراه با روش‌های فیلتر، بسته‌بندی و آنلاین
  
• رویکرد فناوری اطلاعات برای طراحی طبقه‌بندی‌کننده شامل مجموعه‌های طبقه‌بندی‌کننده و اتصالات را بررسی می‌کند. با طرح ریزی اطلاعات و هندسه اطلاعات.
  
• حاوی پیشگفتاری توسط پروفسور آلن یویل

A این متن نه تنها برای محققان در CVPR-IT، بلکه برای جامعه گسترده تر CVPR نیز ضروری است، این متن برای یک دوره یک ترم مبتنی بر فناوری اطلاعات در CVPR نیز مناسب است.

---

نظریه اطلاعات کاربرد گسترده ای در بینایی کامپیوتری مدرن پیدا کرده است و یکی از قدرتمندترین پارادایم های فعلی را در این زمینه ارائه می دهد. با این حال، تا به امروز، هیچ متنی وجود نداشته است که بر نیازهای متخصص بینایی یا تشخیص الگو تمرکز کند که بخواهد یک مرجع مختصر به موضوع پیدا کند. این متن به زیبایی این شکاف در ادبیات را پر می کند. این رویکرد دقیق، در عین حال شفاف است و با نمونه‌های فراوان دنیای واقعی تجهیز شده است.

پروفسور ادوین هنکاک،
رئیس گروه CVPR و رئیس کمیته تحقیقاتی گروه،
گروه علوم کامپیوتر، دانشگاه یورک</ P>

---

این کتاب به دور از یک عروسی تفنگ ساچمه ای یا ازدواج ترتیب داده شده بین تئوری اطلاعات و تجزیه و تحلیل تصویر، در توضیح اینکه چرا این دو حوزه برای یکدیگر ساخته شده اند، موفق شده است.

دانشیار آناند رنگاراجان،
گروه کامپیوتر و علوم اطلاعات و مهندسی،
دانشگاه فلوریدا، گینزویل

Information Theory (IT) can be highly effective for formulating and designing algorithmic solutions to many problems in Computer Vision and Pattern Recognition (CVPR).

This text introduces and explores the measures, principles, theories, and entropy estimators from IT underlying modern CVPR algorithms, providing comprehensive coverage of the subject through an incremental complexity approach. The authors formulate the main CVPR problems and present the most representative algorithms. In addition, they highlight interesting connections between elements of IT when applied to different problems, leading to the development of a basic research roadmap (the ITinCVPR tube). The result is a novel tool, unique in its conception, both for CVPR and IT researchers, which is intended to contribute as much as possible to a cross-fertilization of both areas.

Topics and features:

• Introduces contour and region-based image segmentation in computer vision, covering Jensen-Shannon divergence, the maximum entropy principle, the minimum description length (MDL) principle, and discriminative-generative approaches to segmentation
• Explores problems in image and pattern clustering, discussing Gaussian mixtures, information bottleneck, robust information clustering, and IT-based mean-shift, as well as strategies to form clustering ensembles
• Includes a selection of problems at the end of each chapter, to both consolidate what has been learnt and to test the ability of generalizing the concepts discussed
• Investigates the application of IT to interest points, edge detection and grouping in computer vision, including the concept of Shannon’s entropy, Chernoff information and mutual information, Sanov’s theorem, and the theory of types
• Reviews methods of registration, matching and recognition of images and patterns, considering measures related to the concept of mutual information, alternative derivations of Jensen-Shannon divergence, the Fisher-Rao metric tensor, and the application of the MDL principle to tree registration
• Supplies additional material, including sketched solutions and additional references, at http://www.rvg.ua.es/ITinCVPR
• Examines the main approaches to feature selection and feature transform, describing the methods of principal component analysis and its generalization, and independent component analysis, together with filter, wrapper and on-line methods
  
• Explores the IT approach for classifier design including classifiers ensembles and connections with information projection and information geometry.
  
• Contains a Foreword by Professor Alan Yuille

A must-read not only for researchers in CVPR-IT, but also for the wider CVPR community, this text is also suitable for a one semester IT-based course in CVPR.

---

Information theory has found widespread use in modern computer vision, and provides one of the most powerful current paradigms in the field. To date, though, there has been no text that focusses on the needs of the vision or pattern recognition practitioner who wishes to find a concise reference to the subject. This text elegantly fills this gap in the literature. The approach is rigorous, yet lucid and furnished with copious real world examples.

Professor Edwin Hancock,
Head CVPR Group and Chair Department Research Committee,
Department of Computer Science, University of York

---

Far from being a shotgun wedding or arranged marriage between information theory and image analysis, this book succeeds at explicating just why these two areas are made for each other.

Associate Professor Anand Rangarajan,
Department of Computer & Information Science and Engineering,
University of Florida, Gainesville