该研究论文探讨了如何使用基于条件随机场(CRFs)的多传感器融合算法对人类活动监控的大量时间序列进行分类,同时提供了区分不同类型序列的判别模型,实验结果证明了该方法的有效性。
Feb, 2016
本文介绍了一种 CRFs 的特征归纳方法,该方法基于构建仅显著增加对数似然的特征联合的原则,与 Della Pietra 等人的方法不同,具有更高的准确性和较低的特征数量,适用于线性链 CRFs 和关系马尔可夫网络,实验证明其在命名实体识别任务中的有效性。
Oct, 2012
介绍了一种名为 CRF-RNN 的新型卷积神经网络,该网络将卷积神经网络(CNN)和基于 CRFs 的概率图建模相结合,用于语义图像分割任务,结果在 Pascal VOC 2012 分割基准测试上获得了最好的结果。
Feb, 2015
本文介绍了一个用于重叠的全局特征的无监督学习结构化预测的框架,提出了一个基于特征丰富的条件随机场对可观察数据进行条件预测的潜在表示方法,并使用具有封闭形式的最大似然估计的模型来(重新)生成输入的重建,使得无需进行不切实际的独立性假设或限制可用特征类型的情况下能够有效地进行学习,并示范了与传统自动编码器、后验正则化和多视图学习方面的有见地的联系。接着将模型实例化应用于两个经典的自然语言处理任务:词性归纳和比对文本词汇对应,并证明训练我们的模型可以比可比的特征丰富基线方法更加高效。
Nov, 2014
本文提出了一个有潜在变量的结构化预测的统一框架,包括隐藏的条件随机场和潜在的结构支持向量机。通过对偶性描述了这种普遍公式的局部熵逼近,在图像分割和从单个图像中理解三维室内场景的任务中表现出不错的效果,比潜在结构支持向量机和隐藏条件随机场方法要好。
Jun, 2012
LS-CRF 基于生成图模型的闭式表达式,通过解决一组独立的回归问题进行训练,相对于传统的最大似然学习方法节省大量时间,而且能训练有效率的、具有联合推断能力的图像分割模型,其已应用于语义图像分割任务并取得了成功。
Mar, 2014
此研究旨在将马尔可夫随机场与深度学习相结合,提出了一个训练算法,可以学习结构化模型和深度特征,以提高多个随机变量的预测性能。该算法在预测词汇和图像多分类上均具有重要的性能提高。
Jul, 2014
该论文介绍了如何在全连接 CRFs 中添加条件独立假设,从而利用卷积重构推理,提高了推理和训练的速度,并可以通过反向传播轻松优化卷积 CRFs 的所有参数,以便于后续的 CRF 研究。
May, 2018
本文提出了通过集成外部记忆来扩展条件随机场的方法,克服了其只能模拟局部特征的限制,能够提高 NLP 任务的性能。实验证明该方法比强 CRF 和 LSTM 基线模型有更好的表现。
Sep, 2017
本研究采用条件随机场(CRF)来解决监督序列标注的问题,并探讨了如何通过 L1 惩罚实现 CRFs 的高效特征选择,结果表明该方法可以显著加速训练和加标签的速度,并且可以处理更高维度的模型。
Sep, 2009