Untitled - UFRJ
Untitled - UFRJ Untitled - UFRJ
Forward-Backward Study of the Stereo Vision Problem: A NewApproach to Solve Belief Propagation on Loop GraphsFortunato Silva de MenezesDepartamento de Ciências Exatas,Universidade Federal de Lavras, BrasilDavi GeigerCourant Institute of Math Sciences,Department of Computer Science, New York University, USAMário Javier Ferrua VivancoDepartamento de Ciências Exatas,Universidade Federal de Lavras, BrasilRicardo Martins de Abreu SilvaDepartamento de Ciência da Computação,Universidade Federal de Lavras, BrasilIn stereo vision a pair of two-dimensional (2D) stereo images is given and the purpose is to find outthe depth (disparity) of regions of the image in relation to the background, so that we can reconstructthe 3D structure of the image from the pair of 2D stereo images given. Using the Bayesian framework weimplemented the Forward-backward algorithm to unfold the disparity (depth) of a pair of stereo images.The results showed are very reasonable, but we point out there is room for improvement concerningthe graph structure used. One possible extension we are currently working on is the implementation ofForward-backward algorithm on a tree structure, to take into account the interaction among the epipolarlines of the pair of stereo images. This approach enhance the results in several time scales (i.e., it ismuch faster than the original one, which does not take advantage of computed transition probabilities inprevious pixels) and resolution (i.e., it improves the depth (disparity) range) of the images. Preliminarresults are showed in this work.99
Modelo de Risco Logístico Dependente do Tempo comFragilidadeEder Angelo MilaniDEs, UFSCarVera Lúcia Damasceno TomazellaDEs, UFSCarTeresa Cristina Martins DiasDEs, UFSCarNeste trabalho apresentamos o modelo proposto por Mackenzie, conhecido por modelo de riscologístico generalizado dependente do tempo ou GTDL. Nesse modelo é introduzido na função de risco umefeito aleatório, denominado fragilidade, com o objetivo de controlar a dependência e a heterogeneidadenão observada das unidades. Consideramos o modelo de fragilidade como uma alternativa para modelardados de sobrevivência, adotando um conjunto de dados simulado. Sob a abordagem Bayesiana, estimamosos parâmetros, considerando o uso do método MCMC. Graficamente comparamos tais resultadoscom o estimador de Kaplan-Meier.100
- Page 49 and 50: 10 o Encontro Brasileiro de Estatí
- Page 51 and 52: Generalized Exponential Distributio
- Page 53 and 54: Análise Bayesiana da Priori Jeffer
- Page 55 and 56: Neighborhood Dependence in Bayesian
- Page 57 and 58: Aplicação do Algoritmo MCMC de Sa
- Page 59 and 60: Decisões de Investimento e Restri
- Page 61 and 62: Test for Symmetry in Contingency Ta
- Page 63 and 64: Aplicações de Inferência Bayesia
- Page 65 and 66: Uma Abordagem Bayesiana do Modelo M
- Page 67 and 68: Accounting for Latent Spatio-Tempor
- Page 69 and 70: Uma Abordagem Bayesiana para Proces
- Page 71 and 72: A Bayesian Analysis for the General
- Page 73 and 74: Comparação de um Modelo Dinâmico
- Page 75 and 76: Estimando Variações de Temperatur
- Page 77 and 78: A Bayesian Approach to Multivariate
- Page 79 and 80: Bayesian Inference for Gamma Modula
- Page 81 and 82: Computational Tools for Comparing A
- Page 83 and 84: Modelo Partição Produto com “Cl
- Page 85 and 86: BIC Criterion for Minimal Markov Mo
- Page 87 and 88: Estimadores Lineares Bayesianos em
- Page 89 and 90: Modelos de Volatilidade Estocástic
- Page 91 and 92: Processo de Difusão Multivariado c
- Page 93 and 94: Generalized Latent Factor Models fo
- Page 95 and 96: Measuring Vulnerability via Spatial
- Page 97 and 98: Medidas do Valor Preditivo de um Mo
- Page 99: Aproximações Analíticas para Pos
- Page 103 and 104: A Practical Approach to Elicit Mult
- Page 105 and 106: Modelos Dinâmicos para Deformaçã
- Page 107 and 108: A Semiparametric Bayesian Approach
- Page 109 and 110: Modelo Weibull Modificado de Longa
- Page 111 and 112: Abordagem Bayesiana para Modelos GA
- Page 113 and 114: Modelo Bayesiano Geral de Classe La
- Page 115 and 116: Métodos de Estimação em Modelos
- Page 117 and 118: LASSO Bayesiano no Mapeamento de QT
- Page 119 and 120: Estudo das Matrizes de Covariância
- Page 121 and 122: Sensibilidade da Inferência Bayesi
- Page 123 and 124: Análise Bayesiana para o Estudo de
- Page 125 and 126: Uma Abordagem Bayesiana para Modelo
- Page 127 and 128: Construção de Tábuas de Mortalid
- Page 129 and 130: Um Procedimento Bayesiano para a An
- Page 131 and 132: Um Novo Modelo para Dependência Es
- Page 133 and 134: Distribuição Geométrica Exponenc
- Page 135 and 136: Morbidade Pulmonar e Condições Cl
- Page 137 and 138: Standard Setting for a Rasch Poisso
- Page 139 and 140: Modelo Logístico Misto com Classes
- Page 141 and 142: Metodologia Bayesiana para Detecç
- Page 143 and 144: Modelos Espaço-Temporais para Dado
- Page 145 and 146: Comparação de Modelos para a Iden
- Page 147 and 148: Modelos Multivariados de Regressão
- Page 149 and 150: Estimação Bayesiana em Modelos de
Modelo de Risco Logístico Dependente do Tempo comFragilidadeEder Angelo MilaniDEs, UFSCarVera Lúcia Damasceno TomazellaDEs, UFSCarTeresa Cristina Martins DiasDEs, UFSCarNeste trabalho apresentamos o modelo proposto por Mackenzie, conhecido por modelo de riscologístico generalizado dependente do tempo ou GTDL. Nesse modelo é introduzido na função de risco umefeito aleatório, denominado fragilidade, com o objetivo de controlar a dependência e a heterogeneidadenão observada das unidades. Consideramos o modelo de fragilidade como uma alternativa para modelardados de sobrevivência, adotando um conjunto de dados simulado. Sob a abordagem Bayesiana, estimamosos parâmetros, considerando o uso do método MCMC. Graficamente comparamos tais resultadoscom o estimador de Kaplan-Meier.100