用于语义分割的卷积 CRF
计算机视觉与模式识别
2018-05-16 v2
摘要
对于具有挑战性的语义图像分割任务，最有效的模型传统上结合了条件随机场（CRF）的结构化建模能力与 CNN 的特征提取能力。然而，在最近的工作中，CRF 后处理已不再受青睐。我们认为这主要是由于 CRF 训练和推理速度慢，以及学习内部 CRF 参数的困难。为了克服这两个问题，我们提议在完全连接的 CRF 框架中加入条件独立性假设。这使我们能够用卷积来重新表述推理，从而可以在 GPU 上高效实现。这样做将推理和训练速度提高了 100 倍以上。卷积 CRF 的所有参数都可以使用反向传播轻松优化。为了促进进一步的 CRF 研究，我们公开了我们的实现。请访问：https://github.com/MarvinTeichmann/ConvCRF
引用
@article{arxiv.1805.04777,
title = {Convolutional CRFs for Semantic Segmentation},
author = {Marvin T. T. Teichmann and Roberto Cipolla},
journal= {arXiv preprint arXiv:1805.04777},
year = {2018}
}
备注
8 Pages + Appendix, references. Code can be found under: https://github.com/MarvinTeichmann/ConvCRF