用于识别整体场景理解瓶颈的人机 CRFs
计算机视觉与模式识别
2014-06-17 v1
摘要
图像理解的近期趋势推动了整体场景理解模型的发展，这些模型联合推理各种任务，如物体检测、场景识别、形状分析、上下文推理和基于局部外观的分类器。在本工作中，我们感兴趣的是理解这些不同任务在提升场景理解（特别是语义分割、物体检测和场景识别）中的作用。为此，我们在最先进的条件随机场 (CRF) 模型的各个组件中“插入”人类受试者。对各种混合人机 CRF 的比较使我们了解到，通过将研究工作集中于各个单独的任务，场景理解还有多大的提升空间。
引用
@article{arxiv.1406.3906,
title = {Human-Machine CRFs for Identifying Bottlenecks in Holistic Scene Understanding},
author = {Roozbeh Mottaghi and Sanja Fidler and Alan Yuille and Raquel Urtasun and Devi Parikh},
journal= {arXiv preprint arXiv:1406.3906},
year = {2014}
}