本文介绍了一种分割脑损伤的新方法，主要采用 3D 卷积神经网络，同时处理不同尺度的图像，通过实验证明具有更好的性能。

Mar, 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

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

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

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

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。

Nov, 2016

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

该论文提出了一种用于将 3D 物体分割成标记语义部件的深度架构。该架构结合了基于图像的完全卷积网络和基于表面的条件随机场，以产生 3D 形状的连贯分割。通过特殊的投影层，图像 FCN 输出 被有效聚合在多个视图和比例上，然后投影到 3D 物体表面上。最后，基于表面的 CRF 将投影输出与几何一致性线索结合起来，以产生连贯的分割。整个架构（多视图 FCN 和 CRF）可以端对端地训练。该方法在当前最大的分割基准（ShapeNet）中明显优于现有的最先进方法。最后，我们展示了从消费级深度相机获取的嘈杂 3D 形状有着可喜的分割结果。

Dec, 2016

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

本研究提出一种基于深度卷积神经网络和领域变换滤波器的语义图像分割方法，该方法通过替代全连接条件随机场并控制去噪程度来有效提高对象定位精度和加速密集的条件随机场推理，而利用 CNN 特征来学习引用边缘地图可生成接近任务目标的边缘，进而优化了分割质量，从而在语义分割结果上取得了可比较的精度。

Nov, 2015