使用随机优化方法联合训练通用 CNN-CRF 模型
该研究提出了一种基于深度卷积神经网络和条件随机场的混合模型,通过 CRR 和 CNN 的结合,实现了在大规模数据的训练过程中对相似性进行估计和稀疏性先验的建模,并在 Middlebury 2014 和 Kitti 2015 等数据集上验证了该方法的有效性。
Nov, 2016
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 CRF-CNN 框架,用于在深度卷积神经网络中同时模拟输出层和隐藏特征层的结构信息,并应用于人体姿势估计,通过在各层之间的信息传递,采用了卷积和前向传播相结合的方式进行模型的训练,最终在两个基准数据集上验证该模型的有效性。
Nov, 2016
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
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
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
本研究提出一种基于卷积神经网络和条件随机场的模型,通过预测字符和 N-grams 以识别自然图像中词语,同时实现多任务学习,无需有固定的单词列表,实验证明其在标准实际文本识别基准中的准确性优于仅预测字符,也达到了有限词汇识别的最高精度。
Dec, 2014
本文提出了一种利用联合优化框架来学习深度神经网络参数和估算真实标签的方法,以克服在噪声标签数据集上进行训练导致性能下降的问题,实验结果表明该方法在解决 CIFAR-10 噪声数据集和 Clothing1M 数据集分类问题上优于其他最先进的方法。
Mar, 2018
文章提出了一种利用联合 CRF 和卷积神经网络解决单个图像预测深度图和本征图的方法,该方法命名为联合卷积神经场模型 (JCNF),该方法在单图深度估计和本征图分解两个任务上均超越了现有方法。
Mar, 2016
本文提出了一种新的框架,用于检测监督句子分类中的冗余。我们的模型结合字符感知卷积神经网络(Char-CNN)和字符感知循环神经网络(Char-RNN)形成卷积循环神经网络(CRNN)。我们比较了我们的框架与四个流行基准语料库上的最先进的文本分类算法,包括 Google-news 数据集、twenty-new-groups 数据流、Brown Corpus、question collection 的效果,并分析了三种不同的 RNN 隐性循环单元的性能和运行效率的影响。我们的模型在各个数据集上都取得了具有竞争力的精度和召回率,这表明我们的模型在文本分类中能够有效地降低监督句子分类的冗余。
Jun, 2017