CRF是一种判别模型,本质是给定观察值集合的马尔科夫随机场(MRF),而MRF是加了马尔科夫性质限制的随机场。
马尔科夫性质:全局。局部。成对
随机场:看做一组随机变量的集合(对应于同一个样本空间),这些随机变量之间可能存在依赖关系,而只有存在依赖关系,我们建立随机场才有意义。
在CV中的解释:
主要针对图像
对于每个像素i具有类别标签yi (其对应的观测值为xi)。每个像素作为节点,像素与像素之间的关系作为边,即构成了一个条件随机场CRF。
这里的xi 可以理解为一张图像的某个像素特征。而CRF就是通过观测变量xi 来预测像素i 对应的类别标签yi
p(预测标签 | 图像) = p( y | x )
我们通过观测变量来推测像素i对应的类别标签。
- 假如图片尺寸为40*144,那么就有40*144个像素。
- 计算节点和边:节点 40*144=5760
-
- 边 :n(n-1)/2,n=5760,所以是节点的平方倍。 这是一个很大很大的数字(如果图片尺寸很大(分辨率很高)的话,那这个数字会更大
-
- 类别标签为0-31,共32个类,对应的观测值取(0-31)这32个数字。
为什么需要CRF:
CNN模型虽然很强大,但是CNN模型缺少一个关键点,就是每一个像素点类别之间实际上存在着一定关系,也就是我们常说的图像的平滑性——每一个图像像素点的类别都有可能和临近点的类别相近,这个特性是CNN模型所不具有的。