基于任务特定损失的深度全连接连续CRF的判别式训练
计算机视觉与模式识别
2017-04-26 v1
摘要
近期关于深度条件随机场（CRF）的工作在许多涉及结构化预测的视觉任务上创下了新纪录。本文中，我们提出了一种用于离散和连续标注问题的全连接深度连续CRF模型。我们在多类语义标注（离散）和鲁棒深度估计（连续）问题上例证了所提模型的实用性。在我们的框架中，我们将一元和成对势能函数均建模为深度卷积神经网络（CNN），并以端到端方式联合学习。所提方法具备连续值CRF的主要优势，即最大后验（MAP）推断的闭式解。为了更好地适应不同任务，我们不使用通常采用的最大似然CRF参数学习协议，而是提出用于学习CRF参数的任务特定损失函数。它能够在学习过程中直接优化MAP估计的质量。具体而言，我们针对语义标注任务优化多类分类损失，针对鲁棒深度估计问题优化Turkey's biweight损失。在语义标注和鲁棒深度估计任务上的实验结果表明，所提方法与基线和最先进方法相比均具优势。特别地，我们表明尽管所提深度CRF模型是连续值的，但借助任务特定损失，它甚至在离散标注任务上也取得了令人印象深刻的成果。
引用
@article{arxiv.1601.07649,
title = {Discriminative Training of Deep Fully-connected Continuous CRF with Task-specific Loss},
author = {Fayao Liu and Guosheng Lin and Chunhua Shen},
journal= {arXiv preprint arXiv:1601.07649},
year = {2017}
}