用CNN模拟CRF以服务于CNN

将CNN与CRF结合以建模像素标签之间的依赖关系是一个热门的研究方向。该任务远非平凡，特别是在需要端到端训练时。在本文中，我们提出了一种新颖简单的CNN+CRF结合方法。具体而言，我们提出用一个具有标准CNN结构的可训练模块来模拟CRF正则化器。我们称该模块为CRF模拟器。只要我们有用于优化实际CRF正则化器的高效算法，就可以在无需任何用户交互的情况下自动生成无限量的真值用于训练此类CRF模拟器。在我们的CRF模拟器训练完成后，它可以直接作为任何更大CNN架构的一部分被纳入，实现无缝的端到端训练。特别地，其他模块可以学习更契合CRF模拟器模块性能的参数。我们在以标准二元CRF能量正则化的显著目标分割任务上展示了我们方法的有效性。与先前工作不同，我们不需要开发和实现作为CNN一部分的优化特定CRF的复杂机制。事实上，我们的方法可以轻松扩展到其他CRF能量，包括多标签。据我们所知，我们是首个研究CNN的输出是否具有CRF正则化特性这一问题的人。