ICCVJun, 2016

深度学习马尔可夫随机场用于语义分割

PDF
TL;DR本论文提出了一种名为 Deep Parsing Network (DPN) 的卷积神经网络，通过将高阶关系和标签上下文的混合引入到 MRF 模型中，该网络能够在一次前向传递中实现确定性的端到端计算。与先前使用迭代算法优化 MRF 不同的是，该论文通过 DPN 精确求解 MRF，并能够在近似一次 MF 迭代的情况下达到较高的分割精度。此外，DPN 使得 MF 更容易被并行化和加速，从而可以实现高效的推理。
semantic segmentationmarkov random fieldconvolutional neural networkmixture of label contextsmean field algorithm
发现论文，激发创造
  • 深层解析网络语义图像分割

    该研究论文通过将高阶关系和标签上下文混合等丰富信息融入到马尔可夫随机场中，提出了一种名为深度解析网络的卷积神经网络，通过一次前向运算实现确定性的端到端计算。在 PASCAL VOC 2012 数据集上经过全面评估，表现出卓越的分割准确性。

    Sep, 2015

  • 神经马尔可夫随机场用于立体匹配

    基于深度学习的神经 MRF 模型在立体匹配任务中取得了显著的性能提升，通过在潜在函数和信息传递方面应用数据驱动的神经网络，该模型有效地解决了传统立体方法中的建模限制和精度问题，并借助变分推断理论保留了立体 MRF 模型的图感知特征。对于高分辨率图像进行可行的推理，并通过适应性地剪枝视差搜索空间的 Disparity Proposal Network (DPN)，使得该方法在 KITTI 2012 和 2015 榜单上名列第一，且运行时间不超过 100 毫秒。与传统的全局方法相比，本方法的性能显著提升，例如在 KITTI 2015 数据集上将 D1 指标降低了 50%，并且具有强大的跨领域泛化能力和恢复锐利边缘的特点。详细代码请参见此链接。

    Mar, 2024

  • 深度马尔可夫随机场用于图像建模

    本文提出了一种基于全连接神经元的新型 MRF 模型，将深度神经网络的表达能力和 MRF 的循环依赖结构结合在了一起，通过对多个 RNN 进行逆向连接形成的前馈网络的近似表示，实现了高效的学习和在各种低级视觉任务中的卓越表现。

    Sep, 2016

  • 基于马尔可夫随机场和卷积神经网络的图像合成

    本文研究了基于生成式马尔可夫随机场模型和鉴别式训练的深度卷积神经网络相结合方法，用于 2D 图像的合成，同时使用 MRF 正则化方法避免了以前 dCNN 反演方法中的过度激发和不可行的特征混合，提高了图像合成的视觉逼真度。

    Jan, 2016

  • 基于 CNN 的高阶时空 MRF 推理的视频目标分割

    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

  • 深度结构化模型学习

    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

  • 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

  • 卷积随机游走网络用于语义图像分割

    本文介绍了一种简单却有效的 Convolutional Random Walk Network（RWN）用于解决 FCN 中存在的问题，通过 Pixelwise Affinity 和语义分割共同优化这两个目标，通过新型随机游走层组合这两个目标，从而在深层网络中实现一致的空间分组。与传统的 FCN 相比，我们的实现仅需要 131 个额外的参数，却在语义分割和场景标记方面始终保持着优势。

    May, 2016

  • 图上半监督节点分类：马尔可夫随机场与图神经网络

    本研究提出了一种优化的 pMRF 方法，通过学习边潜力来解决现有方法的局限性，实现半监督节点分类在准确性和效率方面超越了图神经网络。

    Dec, 2020

  • 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