本文探讨图像语义分割中的条件随机场（CRF），重点在于理解CRF如何优化深度学习模型如FCN的预测结果。通过无向图模型马尔科夫随机场的理论，阐述了条件概率分布P(Y|X)的概念，并举例说明了相邻像素的概率影响，以优化边缘判断，从而提高分割准确性。
第二篇文章，我们不介绍 反卷积结构，而是介绍CRF， 主要是因为，网络结构上，大家只要有相关的CNNs知识，是很好理解的，主要难于作者的创造性思想。这也是FCN能引用1500+的主要原因吧。
这里从数学入手，来看DeepLab如何对FCN进行优化。
有向图模型（Directed Graphical Models，DGM），又称作贝叶斯网络（Bayesian Network），典型模型有：隐马尔科夫模型（生成式），最大熵马尔科夫模型（判别式）
无向图模型（Undirected Graphical Models，UGM），又称做马尔科夫网络（Markov Network）或马尔科夫随机场（Markov Random Field，MRF）
设X=(x
最低0.47元/天 解锁文章
扫一扫
6194
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
