- 基于 Toeplitz 反协方差的多元时间序列数据聚类
本研究提出了一种基于 Toeplitz Inverse Covariance 的模型聚类方法,称为 TICC,通过马尔科夫随机场描述聚类中子序列中不同观测之间的相互依赖性,从而在同时分割和聚类时间序列数据的过程中实现了可扩展性且解释性更强的 - Zorn 引理的后裔:基于实例感知语义分割的有目标风格迁移
本文介绍一种针对目标图像特定区域进行风格迁移的方法,使用 Markov 随机场模型对用户选择的单个对象进行分割和风格化,同时在对象边界附近进行平滑和抗锯齿,使得风格化的对象能够自然地与其环境融合。
- 利用 2D 楼层平面图进行建筑级全景 RGBD 对齐
该文提出了一种新算法,利用 2D 平面图对全景 RGBD 扫描进行校准,该算法可以大幅减少所需扫描数,并在五个大型室内空间上进行了评估。这是第一个利用 2D 平面图进行大型室内三维点云重建的有效系统,提出的算法使用多模态图像对应线索 (在扫 - 融合词嵌入的短文本主题建模
本篇论文介绍了一种基于词向量和马尔科夫随机场正则化模型的主题模型,从而改进对小文本数据的话题推断。结果表明,与传统主题模型相比,改进后的方法可以更有效地对短文本数据进行话题建模。
- ICCV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, - 基于高斯混合的 MRF 的模型迭代重建算法及其在低剂量 X 射线 CT 上的应用
本文介绍了一种高效的先验模型 —— 高斯混合 Markov 随机场模型 (GM-MRF),以及通过构建替代函数的新型分析框架,在低对比度和高对比度区域分别控制图像重建锐度的方法。实验证明了该模型在图像去噪和低剂量 CT 重建方面的价值。
- CVPR使用本地扩展移动进行连续的三维标签立体匹配
一篇关于使用基于图割的局部扩展方法的立体匹配技术研究,通过利用局部扩展移动进行实验,该算法提高了 3D 平面标签的准确性,并在 Middlebury 立体基准的 V2 和 V3 版本中表现出最佳性能。
- 普遍混合噪声分布下的低秩矩阵分解
本文提出了一种新的低秩矩阵分解模型,假设噪声为指数幂混合分布,融合了惩罚似然方法和指数幂分布的 Penalized MoEP(PMoEP)模型。通过利用局部噪声分量的连续性,我们将马尔可夫随机场嵌入 PMoEP 模型,并进一步提出了先进的 - 使用深度密集连接 MRF 的自动驾驶实例级分割
本文研究面向自动驾驶场景的单目图像像素级实例标注问题,使用卷积神经网络和密集连接马尔可夫随机场模型结合的方式,提出了一种全局实例标注方法,并在 KITTI 基准数据集上取得了显著的性能提升。
- 使用几何背景和遮挡边界从视频中提取深度
本文提出了一种在动态视频场景中估算深度的算法,该算法结合了方面、运动、遮挡边界和场景几何上下文来学习和推断深度信息,并利用马尔可夫随机场框架和分块平面参数化相结合的方法预测新场景中的深度信息,验证结果在新数据集和在线数据集中均表现良好。
- ICCV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。
- ICCV使用卷积神经网络实现单目物体实例分割和深度排序
本文针对从单目图像进行实例级别分割和深度排序的问题,利用卷积神经网络训练来直接预测实例级别分割,同时采用马尔科夫随机场来提供图像的连贯单个解释,旨在预测准确的实例级别分割和深度排序,并在 KITTI 基准测试中表现出很好的性能。
- CVPR学习卷积神经网络用于非均匀运动模糊去除
本文提出一种基于深度学习和马尔可夫随机场的方法,旨在从单一模糊图像中估计和去除非均匀运动模糊,并通过实验评估表明其能有效地处理不受先前方法处理的复杂非均匀运动模糊。
- segDeepM: 利用深度神经网络中的分割和上下文,实现物体检测
本文提出了一种基于目标分割来提高目标检测准确性的方法,经过实验在 PASCAL VOC 2010 数据集上相对于 R-CNN 基线与当前最先进的方法,准确度分别提高了 4.1% 和 3.4%。
- 卷积网络和图形模型联合训练的人体姿态估计
本文提出一种新的混合架构,并将其成功应用于单眼图像中的人体姿态估计等领域,同时提出了联合训练的想法以提高性能并明显超越现有技术。
- ICLR受限玻尔兹曼机中的推理松弛化
提出了一种基于松弛的近似推断算法,用于在二元成对马尔可夫随机场中采样接近最大化后验的配置,应用于多个限制波尔兹曼机中的 MAP 推断任务,并使用底层采样器估算了限制波尔兹曼机的对数划分函数,并与其他基于采样的方法进行了比较。
- ICML使用展开马尔可夫随机场合成未明确任务的操纵序列
研究提出了一种基于 Markov 随机场(MRF)的动态规划策略,通过训练参数可以更好地适应不确定的人工环境,并且可以通过一系列原始动作或控制器来表达高水平任务,经过详细的实验验证,该方法可以成功地规划各种任务。
- 用于监控场景中混杂图像序列的低复杂度静态背景估计算法
针对实际情况中真实背景模型不可用的问题,该篇论文提出了一种低计算和内存需求的用于静态背景估计的顺序技术,并将图像序列进行分块分析,实验结果显示与之前的中值过滤和 “稳定强度区间” 方法相比有较优的背景估计效果,结合前景分割算法可以使前景分割 - 从 RGB-D 视频中学习人类活动和物体可支配性
该研究旨在利用 Markov 随机场和支持向量机算法,提取描述性标签以识别人类活动和物品仿真,并应用于机器人的辅助任务中,其准确度在 120 个视频的测试中分别为 80% (物品仿真)、64%(子活动)和 75% (高级活动)。
- 关于树重新加权最大乘积消息传递的最优性
本文研究了基于树重加权的最大乘积(TRW)信息传递算法的性质,针对二元变量、成对耦合的情况下,证明满足弱树协议条件的 TRW 解总是能达到全局最优解且总是能够在线性松弛下实现。