CVPRMar, 2018

基于 CNN 的高阶时空 MRF 推理的视频目标分割

PDF
TL;DR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。
video object segmentationmarkov random fieldconvolutional neural networktemporal dependenciesmrf model
发现论文，激发创造
  • 深度学习马尔可夫随机场用于语义分割

    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。

    Jun, 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • MaskRNN：实例级视频对象分割

    本文提出了一种名为 MaskRNN 的递归神经网络方法，它在每帧中利用两个深度成像网络输出（二元分割网络和定位网络）进行目标实例的视频对象分割以获取长时序结构和剔除异常值，结果在 DAVIS-2016、DAVIS-2017 和 Segtrack v2 数据集中均达到了最优表现。

    Mar, 2018

  • 用于高效视频分割的深度时空随机场

    本研究提出了一种名为 VideoGCRF 的方法，采用深度高斯条件随机场对密集连接的时空图进行精确和高效的推断，能够与现代深度网络一起进行端到端的视频理解训练，并在语义分割和实例分割的任务中呈现出实证上的优越性。

    Jul, 2018