基于完全卷积连续 CRF 神经网络的人脸解析
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
本文提出了一种基于深度卷积神经网络和条件随机场模型的视频面部表情识别方法,该模型从面部图像中提取空间信息和视频帧之间的时间关系,并在三个公共数据库上进行了实验证明,该模型在跨数据库实验中表现出色,并在主体独立实验中获得与现有模型相当的成果。
Mar, 2017
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 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
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
提出了一种基于 Spatial Transformer Network 的 end-to-end 面部分割框架,称为 STN-iCNN,通过在两个分离的训练阶段之间添加 STN,将原始 two-stage iCNN 连接起来,从而显着提高了面部分割的准确性。
Feb, 2020
开发了一种结合全卷积神经网络和条件随机场的新型脑肿瘤分割方法,该方法基于图像块和图像切片训练多个深度学习模型,并将它们组合起来使用投票策略进行脑肿瘤分割。实验证明,该方法在多模态脑肿瘤影像分割方面取得了竞争性的性能,可以实现逐层切片的快速分割。
Feb, 2017