[英]Difference between CRF and Fully Connected CRF?
谁能解释一下语义分割的条件随机场和完全连接的条件随机场之间的区别? 到目前为止,我只了解,使用 CRF,您尝试使用两种信息来改进分割掩码:
我的假设正确吗? 对于 CRF 或完全连接的 CRF 或两者都是这样吗?
谢谢!
你说得有点对,但我会尽量让它更精确并解释它们的区别。
首先,条件随机场 (CRF) 是用于分类的图形 model,其中您有两个惩罚,一个用于节点分类(您的项目 1),另一个用于边缘,相邻节点的分歧受到惩罚(您的项目 2)。
对于图像分割,通常将每个像素视为图中的一个节点,并且它们的相邻像素是它们的邻居(2D 图像中的 4 或 8 个邻居),边缘的权重将尝试强制那些相邻像素将具有类似的标签。 生成的图非常稀疏,CRF 计算速度很快。
当 CRF 完全连接时,每个节点都彼此相邻,这使得计算变得更加昂贵,但是在 [1] 中发现了这一点。 优化可以在具有高斯边缘权重的图像图中有效地完成,在这种情况下。 您不仅要考虑每个像素的邻域来获得其 class,还要考虑图像中的每个其他像素。
您可以在 [1] 中找到有关此的更多信息。
[1] Krähenbühl, P. 和 Koltun, V. (2011)。 具有高斯边缘电位的全连接 CRF 中的有效推理。 在神经信息处理系统的进展中(第 109-117 页)。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.