Mar, 2015

利用 CNN 特征学习 CRF 以进行图像分割

PDF
TL;DR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。
conditional random fieldsconvolutional neural networkimage segmentationstructured support vector machineco-occurrence pairwise potentials
发现论文，激发创造
  • 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

  • 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

  • 深度卷积网络与全连接 CRF 的语义图像分割

    该研究论文结合深度卷积神经网络和概率图模型的方法来解决像素级分类（语义图像分割）任务中深层网络往往无法精确定位目标分割的问题，并通过将深层网络的响应与全连接条件随机场相结合，提出了一种 DeepLab 系统。定量实验表明，该方法在 PASCAL VOC-2012 语义图像分割任务中，IOU 精度可达 71.6％。

    Dec, 2014

  • 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

  • 使用 3D 卷积神经网络和后验 CRF 在医学图像中进行语义分割的端到端方法

    本文提出一种名为后验概率 CRF 的全新的端到端训练方法，该方法将 3D 全连接 CRF 应用于 CNN 的后验概率中，并一起优化 CNN 和 CRF，实验结果表明我们的方法在白质高信号区分割上表现优于 CNN，后处理 CRF 和不同的端到端训练 CRF 方法。

    Nov, 2018

  • 一种集成 FCNN 和 CRF 的深度学习模型用于脑肿瘤分割

    开发了一种结合全卷积神经网络和条件随机场的新型脑肿瘤分割方法，该方法基于图像块和图像切片训练多个深度学习模型，并将它们组合起来使用投票策略进行脑肿瘤分割。实验证明，该方法在多模态脑肿瘤影像分割方面取得了竞争性的性能，可以实现逐层切片的快速分割。

    Feb, 2017

  • 深层结构模型语义分割的高效分段训练

    本文提出了一种改进图像语义分割性能的方法，通过使用上下文信息学习 Patch-Patch 和 Patch-Background 的语义相关性，使用带有条件随机场的 CNN 对邻近 patch 之间的语义相关性进行建模，并采用高效的分段训练方法。同时，通过使用传统的多尺度图片输入和滑动金字塔池化等手段捕捉图像区域与背景的上下文信息，结果在多种流行的语义分割数据集上取得了最先进的性能，并在 PASCAL VOC 2012 数据集上取得了 78.0 的交叉联合分数。

    Apr, 2015

  • 使用基于超像素的 CNN 和 CRF 模型实现高效细粒度道路分割

    本文提出了一种使用 CNN 和 CRF 相结合的方法进行道路场景分割，采用超像素为 CNN 的输入基础，使计算效率更高，在保持较快运行速度的同时，在 KITTI 路标准测试中取得了可比拟的性能，适合于实时应用

    Jun, 2022

  • 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

  • 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