大规模图像分割的条件随机场闭式训练
机器学习
2014-03-28 v1 计算机视觉与模式识别
摘要
我们提出了 LS-CRF，一种用于高效大规模训练条件随机场 (CRFs) 的新方法。它的灵感来源于具有树拓扑结构的生成图模型的最大似然参数的现有闭式表达式。LS-CRF 训练仅需解决一组独立的回归问题，这些问题既有闭式表达式也有高效的迭代求解器可用。这使得它比需要重复运行概率推断的传统 CRF 最大似然学习快几个数量级。同时，通过我们的方法学习到的模型仍然允许在测试时进行联合推断。我们将 LS-CRF 应用于语义图像分割任务，表明即使对于概率推断存在问题的环路模型，它也非常高效。它允许使用比之前大得多的训练集来训练图像分割模型。我们在两个新数据集上证明了这一点，这两个数据集构成了本文的第二个贡献。它们包含超过 180,000 张带有前景 - 背景分割标注的图像。我们的大规模实验表明，基于 CRF 的图像分割的潜力远未耗尽，例如表明半监督学习和使用非线性预测器是未来实现更高分割精度的有前景的方向。
引用
@article{arxiv.1403.7057,
title = {Closed-Form Training of Conditional Random Fields for Large Scale Image Segmentation},
author = {Alexander Kolesnikov and Matthieu Guillaumin and Vittorio Ferrari and Christoph H. Lampert},
journal= {arXiv preprint arXiv:1403.7057},
year = {2014}
}