深度神经网络中的高阶条件随机场
计算机视觉与模式识别
2016-08-01 v4
摘要
我们利用深度学习解决语义分割问题。大多数分割系统包含条件随机场（CRF）以产生与图像视觉特征一致的结构化输出。最近的深度学习方法已将 CRF 嵌入卷积神经网络（CNNs）中，有些甚至将 CRF 与网络其余部分端到端联合训练。然而，这些方法未采用高阶势函数，而后者此前已被证明能显著提升分割性能。本文中，我们展示了基于目标检测与超像素的两种高阶势函数可被纳入嵌入深度网络中的 CRF。我们设计这些高阶势函数以允许使用可微分平均场算法进行推断。因此，我们更丰富的 CRF 模型的所有参数均可与像素级 CNN 分类器端到端学习。利用这些可训练的高阶势函数，我们在 PASCAL VOC 基准上取得了最先进的分割性能。
引用
@article{arxiv.1511.08119,
title = {Higher Order Conditional Random Fields in Deep Neural Networks},
author = {Anurag Arnab and Sadeep Jayasumana and Shuai Zheng and Philip Torr},
journal= {arXiv preprint arXiv:1511.08119},
year = {2016}
}
备注
ECCV 2016