【fcCRFs】Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials
2017-04-22 13:12
1016 查看
基本情况
这篇文章是NIPS2011和CVPR2012的文章,所属领域为segmentation.Abstract
目前,大部分state-of-the-art的多类别图像分割算法都使用基于像素或者区域的CRFs.虽然区域级别模型通常具有密集的成对连接性,但像素级模型相当大,只允许使用稀疏图形结构.本文的主要贡献是对于fc CRFs的高效近似推理算法,其中pairwise edge potential使用高斯核的线性组合定义.
Instroduction
在处理segmentation任务是,常见的方法是将这个问题作为在像素或图像补丁上定义的条件随机场(CRF)中的最大后验(MAP)推理.CRF势能包含了使相似像素之间的标签一致性最大化的平滑度项,并且可以整合更精细的项目,以模拟对象类之间的上下文关系.Basic CRF由基于单个像素或者图片块的一元势能和基于相邻pixedl或patches的pair-wise势能组成.所产生的相邻CRF结构在图像中建立长距离连接的能力受到限制,并且通常导致对象边界的过度平滑.有人将basic CRF扩展到基于图片region的高阶potential.但是这种方法的精度严重依赖于unsupervised image segmentation( 用于compute the regions on which the model operates)
本文的主要贡献就是建立了一个高效的fc CRFs模型推理算法,算法是基于平均场近似成CRF分布.
所得到的近似推理算法在模式中的边缘数量上是亚线性的.
The fc CRF Model
这部分公式比较多,但是也比较容易理解,详细看论文Efficient Inference in Fully Connnected CRFs
KL divergence(参考:http://blog.csdn.net/gao1440156051/article/details/44162269)
在概率论或信息论中,KL散度( Kullback–Leibler divergence),又称相对熵(relative entropy),是描述两个概率分布P和Q差异的一种方法。它是非对称的,这意味着D(P||Q) ≠ D(Q||P)。特别的,在信息论中,D(P||Q)表示当用概率分布Q来拟合真实分布P时,产生的信息损耗,其中P表示真实分布,Q表示P的拟合分布.
平均场近似CRF
瓶颈在于message passing.由于需要计算每个i和每个j关系,所以朴素算法的时间复杂度是O(N^2).
使用高维过滤(转化为卷积的过程)
实现了O(N)的时间复杂度.
相关资料
py实现:https://github.com/lucasb-eyer/pydensecrfmatlab实现:https://github.com/johannesu/meanfield-matlab.git
可以参考的文章: http://www.jianshu.com/p/434b3e22a47e
我之前也总结过一篇CRF入门过程的文章
相关文章推荐
- Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials之python代码运行
- 【论文笔记】Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials
- Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials
- 文献阅读笔记——Object Co-Detection via Efficient Inference in a Fully-Connected CRF
- 论文阅读理解 - Semantic Image Segmentation With Deep Convolutional Nets and Fully Connected CRFs
- 《Semantic image segmentation with deep convolution nets and fully connected CRFs》学习总结(deeplabV1)
- 《Fast and Accurate Inference with Adaptive Ensemble Prediction in Image Classification阅读笔记
- Efficient Gaussian blur with linear sampling
- 行人属性“Fully-adaptive Feature Sharing in Multi-Task Networks with Applications in Person Attribute Cl”
- Fully-adaptive Feature Sharing in Multi-Task Networks with Applications in Person Attribute Classifi
- 深度学习论文(八)---DeepLabV1-SEMANTIC IMAGE SEGMENTATION WITH DEEP CONVOLUTIONAL NETS AND FULLY CONNECTED C
- Semantic Segmentation -- (DeepLabv2)Semantic Image Segmentation ... Fully Connected CRFs论文解读
- How to connected to intarnet with ssh proxy in Windows
- [Paper 学习笔记] Effcient Multi-Scale 3D CNN with fully connected CRF for Brain Lesion Segmentation
- Returning unescaped Json in MVC with Json.Net
- Create PDB with Sample schemas in 12C
- 6 Easy Steps to Learn Naive Bayes Algorithm (with code in Python)
- Could not load the "null" image referenced from a nib in the bundle with identifier ""
- Xcode添加账号提示Please sign in with an app-specific password. You can create one at appleid.
- Fastest Gaussian Blur in CPU