深度、稠密且低秩的高斯条件随机场
计算机视觉与模式识别
2016-11-29 v1
摘要
在本工作中，我们在深度高斯条件随机场（G-CRF）模型中引入了全连接图结构。为此，我们将像素间的成对相互作用表示为由深度架构的新子网络提供的低维嵌入的内积。我们通过使用共轭梯度法求解由此产生的低秩线性系统来高效最小化所得能量，并推导出了嵌入梯度的解析表达式，这使我们能够通过反向传播进行端到端训练。我们在三个具有挑战性的计算机视觉基准测试上取得了当前最优结果，即语义分割、人体部位分割和显著性估计，从而证明了我们方法的优越性。我们的实现完全基于 GPU，构建于 Caffe 库之上，并将公开发布。
引用
@article{arxiv.1611.09051,
title = {Deep, Dense, and Low-Rank Gaussian Conditional Random Fields},
author = {Siddhartha Chandra and Iasonas Kokkinos},
journal= {arXiv preprint arXiv:1611.09051},
year = {2016}
}