CVPRNov, 2016

混合卷积神经网络 - 条件随机场模型端到端训练用于立体视觉

PDF
TL;DR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。
hybrid cnn+crf modelstereo estimationconvolutional neural networksconditional random fieldsstructured output support vector machine
发现论文，激发创造
  • 使用随机优化方法联合训练通用 CNN-CRF 模型

    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

  • 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

  • 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

  • 利用 CNN 特征学习 CRF 以进行图像分割

    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

  • 基于多尺度连续条件随机场的单目深度估计顺序深度网络

    本文提出了一种基于多尺度卷积神经网络（CNN）的深度模型，通过用连续条件随机场（CRF）融合多个 CNN 侧输出得到的互补信息。提出了两种不同的变体，一种基于多个 CRFs 级联，另一种基于统一的图模型，通过端到端的训练证明了效果显著，取得了公开数据集上的最新成果。

    Apr, 2017

  • 基于结构注意力的卷积神经场用于单目深度估计

    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

  • 使用多尺度连续 CRFs 作为顺序深度网络进行单目深度估计

    本文提出了一种基于多尺度卷积神经网络、条件随机场及其连续形式的深度学习模型，用于单张静态图片的单目深度估计，该模型使用连续性的 CRF 完成深度估计，同时提出两个不同的变体，其中一个建立了多个 CRF 级联模型，另一个提出了一种结合模型；最后，作者在 NYUD-V2、Make3D 和 KITTI 等公共数据集上进行了大量实验，结果表明所提出方法得以有效地实现，并取得了目前最新的研究成果。

    Mar, 2018

  • 基于深度卷积神经场的单张图像深度估计

    本文提出了一种在单个图像中利用深度卷积神经网络和连续条件随机场进行深度估计的方法，通过结构化学习方案统一学习了连续 CRF 的一元和二元潜力，并通过实验证明了其在室内和户外场景数据集上优于现有深度估计方法。

    Nov, 2014

  • 使用深度卷积网络进行联合语义分割和深度估计

    本研究采用多尺度卷积神经网络，提出一种单一 RGB 图像用于深度估计和语义分割的深度学习模型，该模型采用单一损失函数进行训练，同时使用完全连接的 CRF 捕捉语义和深度线索之间的上下文关系和交互作用，实现更精确的结果。在 NYUDepth V2 数据集上进行实验，该模型在语义分割方面表现优于最先进方法，在深度估计任务上实现可比较的结果。

    Apr, 2016

  • CRF-CNN 人体姿态估计中结构化信息建模

    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