基于成对马尔可夫随机场的快速可微消息传递
计算机视觉与模式识别
2020-10-07 v3
摘要
尽管存在许多马尔可夫随机场（MRF）优化算法，但由于手工设计的模型参数导致的 MRF 建模不完善以及选择了较差的推断算法，其广泛使用目前受到限制。除了可微性之外，能够实现这些模型参数学习的两个主要方面是 MRF 优化算法的正向和反向传播时间及其推断能力。在这项工作中，我们引入了两种快速且可微的消息传递算法，即迭代半全局匹配改进版（ISGMR）和并行树重加权消息传递（TRWP），它们通过利用大规模并行性在 GPU 上大幅加速。具体而言，ISGMR 是标准 SGM 针对一般成对 MRF 的迭代改进版本，具有更好的优化效果，而 TRWP 是顺序 TRW（TRWS）的高度并行版本，用于更快的优化。我们在标准立体匹配和去噪基准上的实验表明，ISGMR 和 TRWP 比 SGM 和平均场（MF）实现了更低的能量，且 TRWP 比 TRWS 快两个数量级而不损失优化效果。我们进一步展示了我们的算法在语义分割端到端学习上的有效性。值得注意的是，我们的 CUDA 实现在前向和反向传播上分别比 PyTorch GPU 实现至少快 倍和 倍，从而实现了基于消息传递的高效端到端学习。
引用
@article{arxiv.1910.10892,
title = {Fast and Differentiable Message Passing on Pairwise Markov Random Fields},
author = {Zhiwei Xu and Thalaiyasingam Ajanthan and Richard Hartley},
journal= {arXiv preprint arXiv:1910.10892},
year = {2020}
}
备注
Asian Conference on Computer Vision (ACCV), 2020 (Oral)