稠密CRF的高效连续松弛
计算机视觉与模式识别
2016-08-23 v1
摘要
具有高斯成对势的稠密条件随机场（CRF）已成为立体对应和语义分割等若干计算机视觉应用的流行框架。通过建模长距离相互作用，稠密 CRF 相比其稀疏对应物提供更详细的标注。在这些稠密模型中，变分推断使用基于滤波的平均场算法执行，以获得最小化与真实分布 Kullback-Leibler 散度的完全分解分布。与用于稀疏 CRF 的基于连续松弛的能量最小化算法相比，平均场算法无法提供其解质量的强理论保证。为解决此缺陷，我们展示可使用相同的滤波方法加速若干连续松弛的优化。具体地，我们使用高效的 Frank-Wolfe 算法求解凸二次规划（QP）松弛。这也允许我们通过迭代凹凸过程求解凸差松弛，其中每次迭代需要求解一个凸 QP。最后，我们开发了一种新颖的分治方法来计算线性规划松弛的子梯度，该松弛为能量最小化提供最佳理论界。我们在公开可用数据集上展示了连续松弛相对于广泛使用平均场算法的优势。
引用
@article{arxiv.1608.06192,
title = {Efficient Continuous Relaxations for Dense CRF},
author = {Alban Desmaison and Rudy Bunel and Pushmeet Kohli and Philip H. S. Torr and M. Pawan Kumar},
journal= {arXiv preprint arXiv:1608.06192},
year = {2016}
}