条件随机场作为循环神经网络
计算机视觉与模式识别
2016-04-15 v3
摘要
像素级标注任务，如语义分割，在图像理解中起着核心作用。近期的方法试图利用深度学习技术在图像识别中的能力来解决像素级标注任务。该方法的一个核心问题是深度学习技术在描绘视觉对象方面的能力有限。为解决这个问题，我们提出一种新型卷积神经网络，它结合了卷积神经网络（CNNs）和基于条件随机场（CRFs）的概率图模型的优势。为此，我们将具有高斯成对势的条件随机场的均值场近似推断公式化为循环神经网络（RNNs）。该网络称为CRF-RNN，随后被嵌入作为CNN的一部分，从而获得兼具CNNs和CRFs理想特性的深度网络。重要的是，我们的系统将CRF建模与CNNs完全集成，使得可以使用常规反向传播算法端到端训练整个深度网络，从而避免用于对象描绘的离线后处理方法。我们将所提方法应用于语义图像分割问题，在具有挑战性的Pascal VOC 2012分割基准上取得了顶尖结果。
引用
@article{arxiv.1502.03240,
title = {Conditional Random Fields as Recurrent Neural Networks},
author = {Shuai Zheng and Sadeep Jayasumana and Bernardino Romera-Paredes and Vibhav Vineet and Zhizhong Su and Dalong Du and Chang Huang and Philip H. S. Torr},
journal= {arXiv preprint arXiv:1502.03240},
year = {2016}
}
备注
This paper is published in IEEE ICCV 2015