Mar, 2014

大规模图像分割的条件随机场闭式训练

PDF
TL;DRLS-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。
ls-crfconditional random fieldsefficient trainingsemantic image segmentationlarge-scale experiments
发现论文，激发创造
  • 基于深度高斯条件随机场的语义图像分割快速、准确、多尺度推理

    本文提出了一种结构化预测技术，其将高斯条件随机场与深度学习相结合，能够在保证唯一全局最优解的同时，使用精简的闭式表达式计算模型参数的梯度。通过在语义分割任务中引入多分辨率结构化优化框架，该系统在 PASCAL 2012 图像分割基准上显示出明显的改进。

    Mar, 2016

  • 条件随机场作为循环神经网络

    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

  • 卷积条件随机场用于语义分割

    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

  • 利用 CNN 特征学习 CRF 以进行图像分割

    本文主要介绍了一种基于预训练的 CNN 和 CRF 的图像分割方法，通过构建一些潜在的超像素来生成 CRF 的 potentials，并借助结构化 SVM 来学习 CRF 参数。研究者们还构建了空间相关的、共现的二元 potentials，以更加准确地描述目标物体在一定空间布局下的标签关系。实验表明，该方法在很多二元和多元分割测试中表现出很好的性能。

    Mar, 2015

  • 深度神经网络中的高阶条件随机场

    该研究通过在深度网络中嵌入结构化的 CRF，将包含目标检测和超像素等等高级潜在因素的方法应用于语义分割任务中，实现了 PASCAL VOC 基准上最佳分割性能。

    Nov, 2015

  • 用于监督序列标注的稀疏条件随机场的高效学习

    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

  • 一种允许端对端训练任意成对势函数的 CRF 推理的投影梯度下降方法

    通过开发新的推理和学习框架，挑战当前视觉社区流行的基于高斯势函数的条件随机场模型，该框架可以通过梯度下降来学习成对的条件随机场势函数，可以考虑标准的空间和高维双边核，可用于深度神经网络中端到端地训练以提高语义分割的准确性。

    Jan, 2017

  • 条件随机场简介

    该论文介绍结构化预测方法 —— 条件随机场，它是分类方法和图形建模的结合，可用于自然语言处理、计算机视觉和生物信息学等领域，该论文还描述了 CRFs 的推断和参数估计方法，以及实现大规模 CRFs 的实际问题。

    Nov, 2010

  • 超越语义图像分割：探索视频中高效推理的方法

    探究 CRF 推理模块的效率，将语义共同标记和更具表现力的模型结合起来，能够更有效地处理图像层次和区域层次的标记一致性和上下文。由此，本文将空间平滑和出现核扩展到视频数据上，以实现视频语义分割的最佳效果。

    Jul, 2015

  • 神经条件随机场的序列分类

    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