CRF-CNN 人体姿态估计中结构化信息建模
本文提出了一种深度统一的 CRF 显著性模型,在 CNN 架构下通过特征 - 特征传递、特征 - 预测传递和预测 - 预测传递进行特征和预测更新,通过级联 CRFs 架构和 CNN 共同提炼得到最终的显著性图像,并在 6 个数据集上进行评估,证明了该模型表现出高度的竞争力。
Sep, 2019
我们提出了一种基于 CNN 和 CRF 参数的联合随机优化的新的 CNN-CRF 端到端学习框架,经实验表明这种方法在深度图像身体部件的语义标记上比竞争技术表现更好。
Nov, 2015
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
本文提出将卷积神经网络与多上下文关注机制相结合,形成一个端到端的框架,用于人体姿态估计,并采用堆叠的 hourglass 网络生成具有不同语义感知力的多分辨率的注意力图,从局部显著区域到全局语义一致空间不同粒度的着重点,进一步将全局一致模型与着重于不同身体部位的模型相结合,以实现对全身不同身体部位的详细描述,证明了多上下文关注机制和 hourglass 残差单元在两个公共数据集上的有效性和优越性。
Feb, 2017
本文提出一种新的单目深度估计方法,使用带有结构化注意力模型的条件随机场来融合来自前端卷积神经网络不同层次的多尺度信息,并将其无缝集成到整个架构的端到端训练中, 在 KITTI 基准测试中排名竞争对手,在 NYU Depth V2 数据集上优于现有技术。
Mar, 2018