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
本文提出了一种超像素增强的成对条件随机场(CRF)框架,通过使用超像素基础的高阶信息,以较低的时间复杂度提高了参数学习和推理准确性;同时,根据实验数据,该方案在 MSRC-21 和 PASCAL VOC 2012 数据集上证明了其有效性。
May, 2018
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
该研究采用基于深度神经网络的条件随机场方法,实现了物体的像素级别识别和定位。通过结合语义分割和目标检测技术,有效提高了实例级分割的准确性。
Sep, 2016
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
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
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。
该论文介绍了一种解决视频对象分割问题的新型空间 - 时间马尔可夫随机场(MRF)模型,该模型通过卷积神经网络(CNN)编码像素之间的空间依赖关系,并利用光流建立时间依赖关系来结合空间和时间线索,提出了一种嵌入 CNN 的算法,以实现近似的 MRF 推理。
Mar, 2018
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