计算机视觉中的由粗到精提升 MAP 推理
计算机视觉与模式识别
2017-08-31 v1
摘要
关于概率图模型中的提升推理已有大量理论研究。然而，将提升方法与顶尖应用算法结合使用的实例却很少。我们探索提升推理在计算机视觉中的适用性，其洞见在于，全局最优（MAP）标记很可能对两个对称像素赋予相同的标记。我们方法的成功之处在于高效处理每个节点（像素）上不同的单点势函数，这是 CV 应用的典型特征。这使我们能够提升一大类通过 PGM 推理来建模 CV 问题的算法。我们为 CV 中的由粗到精推理提出了一个通用模板，该模板逐步细化一个初始的粗略提升 PGM，以实现不同的质量-时间权衡。我们通过为立体视觉和交互式图像分割这两个接近最先进的 CV 算法开发提升版本，展示了 C2F 推理的性能。我们发现，与平面算法相比，提升版本具有显著优越的随时性能，且最终解质量没有任何损失。
引用
@article{arxiv.1707.07165,
title = {Coarse-to-Fine Lifted MAP Inference in Computer Vision},
author = {Haroun Habeeb and Ankit Anand and Mausam and Parag Singla},
journal= {arXiv preprint arXiv:1707.07165},
year = {2017}
}
备注
Published in IJCAI 2017