利用 CNN 特征进行图像分割的 CRF 学习
计算机视觉与模式识别
2015-03-31 v1
摘要
条件随机场 (CRF) 已广泛应用于图像分割。虽然大多数研究依赖于手工设计的特征，但我们在此提出利用预训练的大型卷积神经网络 (CNN) 生成用于 CRF 学习的深度特征。该深度 CNN 在 ImageNet 数据集上训练，并迁移至图像分割任务以构建超像素势函数。随后，使用结构化支持向量机 (SSVM) 学习 CRF 参数。为了在推理中充分利用上下文信息，我们构建了空间相关的共现成对势函数，并将其纳入能量函数中。这倾向于对在特定空间布局中频繁共现的对象对进行标记，同时避免在推理过程中出现不合理的标记。在二分类和多类分割基准上的大量实验证明了所提出方法的前景。因此，我们为 Weizmann horse、Graz-02、MSRC-21、Stanford Background 和 PASCAL VOC 2011 数据集上的分割性能提供了新的基准。
引用
@article{arxiv.1503.08263,
title = {CRF Learning with CNN Features for Image Segmentation},
author = {Fayao Liu and Guosheng Lin and Chunhua Shen},
journal= {arXiv preprint arXiv:1503.08263},
year = {2015}
}