CRF和全連接CRF的區別？

Question

誰能解釋一下語義分割的條件隨機場和完全連接的條件隨機場之間的區別？ 到目前為止，我只了解，使用 CRF，您嘗試使用兩種信息來改進分割掩碼：

1. 像素強度：類之間的邊緣的一個很好的猜測是像素強度。 所以有了這個我們可以加權對象的邊緣
2. 像素接近度：對於靠得很近的像素，它們很可能屬於同一個 class。 沒有這個，我們將在另一個 class 的實例中解釋 object 內的邊緣，例如背景。

我的假設正確嗎？ 對於 CRF 或完全連接的 CRF 或兩者都是這樣嗎？

謝謝！

Answer 1

你說得有點對，但我會盡量讓它更精確並解釋它們的區別。

首先，條件隨機場 (CRF) 是用於分類的圖形 model，其中您有兩個懲罰，一個用於節點分類（您的項目 1），另一個用於邊緣，相鄰節點的分歧受到懲罰（您的項目 2）。

對於圖像分割，通常將每個像素視為圖中的一個節點，並且它們的相鄰像素是它們的鄰居（2D 圖像中的 4 或 8 個鄰居），邊緣的權重將嘗試強制那些相鄰像素將具有類似的標簽。 生成的圖非常稀疏，CRF 計算速度很快。

當 CRF 完全連接時，每個節點都彼此相鄰，這使得計算變得更加昂貴，但是在 [1] 中發現了這一點。 優化可以在具有高斯邊緣權重的圖像圖中有效地完成，在這種情況下。 您不僅要考慮每個像素的鄰域來獲得其 class，還要考慮圖像中的每個其他像素。

您可以在 [1] 中找到有關此的更多信息。

[1] Krähenbühl, P. 和 Koltun, V. (2011)。 具有高斯邊緣電位的全連接 CRF 中的有效推理。 在神經信息處理系統的進展中（第 109-117 頁）。