deep-learning - 语义分割中的条件随机场
问题描述
CRF(条件随机场)是否仍在语义分割任务中积极使用,或者当前的深度神经网络是否使它们变得不必要?我已经在学术论文中看到了这两个答案,并且由于实施和推断似乎相当复杂,因此我想在尝试之前对它们发表意见。
谢谢
解决方案
CRF 仍然与 DNN 一起用于图像标记和语义图像分割任务。事实上,CRFs 和 DNNs 并不是自我排除技术,最近的许多出版物都使用了这两种技术。
CRFs 基于概率图模型,其中图节点和边表示随机变量,用势函数初始化。DNN 可以用作这样的势函数:
DCNN 可用于特征提取过程,这是应用 CRF 的重要步骤:
还有一些工具包,结合了 CRF 和 DNN:
推荐阅读
- ruby-on-rails - 抓取嵌套参数
- python - Scikitlearn MinMax 在列或行上工作?
- java - TimescaleDB 比用于插入的普通 postgresql 10 慢
- c# - 如果它存在于数据库中,则显示 url 图像。如果 url 为空,则显示另一张图片
- microsoft-teams - 如何使用图形 API 在 MS 团队中发起新的聊天
- javascript - 我如何在悬停时暂停光滑的品牌滑块并在每一侧移动 ltr 和 rtl
- java - Java android房间对象映射
- php - how to put products in loop to show all product
- java - RSA 加密 post 请求 JAVA
- android - 如何使用回收器视图适配器在 xml 中添加两个 viewModel 类