CVPRJan, 2017

一种允许端对端训练任意成对势函数的 CRF 推理的投影梯度下降方法

PDF
TL;DR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。
potential functionsconditional random fielddeep learningspatial priorssemantic segmentation
发现论文，激发创造
  • 具高斯边缘势的全连接 CRF 的高效推理

    本文提出了一种基于高斯核线性组合的高效近似推理算法，用于在完整的像素集上定义的全连接 CRF 模型的密集像素级连接，为多类图像分割和标注技术提供了显著的改进。

    Oct, 2012

  • 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

  • 基于深度高斯条件随机场的语义图像分割快速、准确、多尺度推理

    本文提出了一种结构化预测技术，其将高斯条件随机场与深度学习相结合，能够在保证唯一全局最优解的同时，使用精简的闭式表达式计算模型参数的梯度。通过在语义分割任务中引入多分辨率结构化优化框架，该系统在 PASCAL 2012 图像分割基准上显示出明显的改进。

    Mar, 2016

  • 深度神经网络中的高阶条件随机场

    该研究通过在深度网络中嵌入结构化的 CRF，将包含目标检测和超像素等等高级潜在因素的方法应用于语义分割任务中，实现了 PASCAL VOC 基准上最佳分割性能。

    Nov, 2015

  • 基于超像素的条件随机场对语义分割的增强

    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

  • 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

  • 超越语义图像分割：探索视频中高效推理的方法

    探究 CRF 推理模块的效率，将语义共同标记和更具表现力的模型结合起来，能够更有效地处理图像层次和区域层次的标记一致性和上下文。由此，本文将空间平滑和出现核扩展到视频数据上，以实现视频语义分割的最佳效果。

    Jul, 2015

  • 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

  • 密集 CRF 的高效连续松弛方法

    本研究论文提出了一种使用 Frank-Wolfe 算法来通过优化凸二次规划松弛问题的方法，此外还开发了一种分治方法来计算线性规划松弛的次梯度，以实现更好的能量最小化，与常用的均值场算法相比，本文研究表明连续松弛技术有更好的结果。

    Aug, 2016

  • 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