图像语义分割(二) —— denseCRF模型用于图像语义分割

最新推荐文章于 2022-10-08 19:09:36 发布
VIP文章 最新推荐文章于 2022-10-08 19:09:36 发布
阅读量9.6k 收藏 37
点赞数 2
分类专栏： 深度学习与计算机视觉 语义分割 文章标签： 计算机视觉 语义分割 条件随机场
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qer_computerscience/article/details/84844804
版权

斯坦福的2011年NIPS论文《Efficient Inference in Fully Connected CRFs with
Gaussian Edge Potentials》，阐述了如何使用高效的全连接条件随机场模型进行图像语义分割任务的应用。

一、CRF和denseCRF

基本的CRF模型是由一阶势函数和相邻元素构成的势函数所组成的图模型，很显然，在图像任务上，basic CRF模型一个劣势就是它只考虑了相邻的邻域元素，没有对整体进行考虑。
一个进一步的想法就是，将每一个像素点，对其他所有像素点都构成一个edge，达到稠密的全连接模型，此时面临的一个问题就是图像像素数目非常大，会有上万个点和数十亿的边，其计算复杂度导致模型几乎无法实施。
在Fully connected CRF中，随机场的吉布斯分布可以写作： P ( X ∣ I ) = 1 Z ( I ) e x p ( − ∑ c ϕ c ( X c ∣ I ) ) P(X|I)= \frac{1}{Z(I)}exp(-\sum_{c} \phi_c(X_c|I) ) P(X∣I)=Z(I)1​exp(−∑c​ϕc​(Xc​∣I))，相应的吉布斯能量可以写作： E ( x ) = ∑ i ϕ u ( x i ) + ∑ i < j ϕ p ( x i , x j ) E(x)=\sum_{i}\phi_u(x_i)+\sum_{i<j}\phi_p(x_i,x_j) E(x)=

最低0.47元/天 解锁文章
Qer_
关注
  • 2
    点赞
  • 踩
  • 37
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
【深度学习】深度神经网络后处理之全连接CRFs（DenseCRF）
李响
06-15 2974
文章目录1 概述2 条件随机场2.1 什么样的问题需要CRF模型2.2 随机场到马尔科夫随机场2.3 从马尔科夫随机场到条件随机场3 python实现图像分割CRFs后处理4 全连接CRF用于精确定位5 CRFasRNN6 总结 1 概述 目前图像像素级语义分割比较流行使用深度学习全卷积神经网络FCN或者各种FCN的改进版U-Net、V-Net、SegNet等方法**。这些模型中使用了反卷积层进行上采样操作，虽然能够将特征图恢复至原图尺寸，但也造成了特征的损失，自然而然产生了分类目标边界模糊的问题。**为了
Dence CRF 条件随机场图像分割
08-31
利用平均场估计对条件随机场的高效实现。用于图像分割
三维条件随机场 ( dense CRF ) 分割MRI图像 (二)
Learning-Deep
12-19 4143
这是第二部分，如果cmake和ITK成功的编译了我们就可以正式的安装和使用三维的dense CRF 条件随机场了。再次赘述，这篇文章并不是要告诉大家复杂的条件随机场的数学原理，或者如何从源码编写crf程序，而是如何告诉大家如何使用别人已经写好的的工具去使用三维CRF分割三维的图像，其中主要是MRI图像的分割。环境是linux环境，ubuntu 16.04 server版本没有图形界。 文章主要分为...
pydensecrf的使用
weixin_34195546的博客
04-24 2491
参考：https://github.com/lucasb-eyer/pydensecrf 1.使用 对于图像来说，最简单的使用该库的方法是使用DenseCRF2D类： import numpy as np import pydensecrf.densecrf as dcrf d = dcrf.DenseCRF2D(640, 480, 5) # width, height, nl...
图像处理——目标检测与前背景分离
热门推荐
AIGC | 智能洞察，创造未来
01-27 5万+
目标检测 前背景分离 光流法
关于图像处理
羊羊的博客
10-08 1081
在图像分割方面经常使用的集中方法，其中包括传统算法和深度学习的相关算法，当然不止上面描述的这些，未来还会做一些拓展最近需要使用DenseCRF，所以着重介绍一下DenseCRF，前期正在学习CRF的相关理论，后期会把具体的实现过程贴上来。
Dense CRF的直观理解
学习 & 分享 ~
06-08 8900
用 X 表示图像上的像素，用 Z 表示预测的 label： 1）Plan A 最简单的建模方式就是每一个像素的类别只和自己所在的像素有关。用图来表示： 这个模型的计算很简单，输入是一个像素的特征，输出是一个像素所代表的类别。这个模型和一般的分类问题没有太多区别。 不过这样的效果显然不好，谁能只通过一个像素就知道这个地方是什么类别呢？这个模型虽然简单好解，但是我们一眼就可以看出，它并不是一个高级...
条件随机场CRF
baidu_32173921的博客
05-13 7113
全连接条件随机场(DenseCRF) 对于每个像素i具有类别标签xi还有对应的观测值yi，这样每个像素点作为节点，像素与像素间的关系作为边，即构成了一个条件随机场。而且我们通过观测变量yi来推测像素i对应的类别标签xi。条件随机场如下：  条件随机场符合吉布斯分布：(此处的x即上面说的观测值)  P(X=x|I)=1Z(I)exp(−E(x|I)) 其中的E(x|I
DenseCRF源码解读
dzm123lalala的博客
07-01 3910
simple_dense_inference.py int main( int argc, char* argv[]){ if (argc<4){ printf("Usage: %s image annotations output\n", argv[0] ); return 1; } // Number of labels const int M = 21;...
条件随机场的肤浅理解
Reaearcher-Du
02-26 1645
条件随机场（Conditional Random Field，CRF）是自然语言处理的基础模型，是一个无向图概率模型。经过长期的发展目前已经广泛应用于词性标注、图像分类等众多场景。 一、基本概念 随机场 : 给定一组随机变量: X={X1,X2,X3...,Xn}X = \{X_1,X_2,X_3...,X_n\}X={X1​,X2​,X3​...,Xn​}, 每一个随机变量 XiX_iXi​ 又可以在另一个集合 Y={Y1,Y2,Y3...,Ym}Y = \{Y_1,Y_2,Y_3...,Y_m\}Y={
用卷积滤波器matlab代码-DenseCRF-545:EECS-545最终项目的回购
05-21
用卷积滤波器matlab代码概要 这是EECS545的最终项目。 描述 该项目实现了基于完全连接的条件随机场的图像分割。 入门 进行推理时，全连接CRF需要其他分类器的输出作为起点，例如TexonBoost和全卷积网络（FCN）等。 在我们的方法中，我们使用FCN。 有关详细信息，请参阅“来自FCN的一元电势”部分。 除了基本分类器外，还需要链接“ libpermutohedral.so”以执行四面体双边过滤，这是推理过程的重要组成部分，您可以在双边过滤部分找到说明。 具有所有这些先决条件，您可以定义一个densitycrf对象以对单个图像进行推理，对一组图像进行推理，可以使用推理方法； 要使用一组图像计算IoU，请使用评估方法。 DenceCRF对象 DenseCRF是执行推断的主要类，用于定义DenseCRF对象： import densecrf # Inputs : height : height of an image # width : width of an image # number_labels: the number of classes to classify c
MATLAB图像语义分割实例（道路语义分割）
04-30
本教程利用MATLAB进行图像语义分割，从语义分割概念、模型搭建、图像标记、模型测试完整的展示了MATLAB语义分割的全过程。（本博主提供一对一技术支持服务，有需要的同学可以私信我哦）
基于深度学习的图像语义分割算法综述
02-25
本文来自于个人博客，这篇文章讲述卷积神经网络在图像语义分割（semanticimagesegmentation）的应用。图像分割这项计算机视觉任务需要判定一张图片中特定区域的所属类别。更具体地说，图像语义分割的目标是将图像的...
基于结合注意力机制和膨胀卷积的HRNet遥感图像语义分割python源码.zip
最新发布
10-26
基于结合注意力机制和膨胀卷积的HRNet遥感图像语义分割python源码.zip基于结合注意力机制和膨胀卷积的HRNet遥感图像语义分割python源码.zip基于结合注意力机制和膨胀卷积的HRNet遥感图像语义分割python源码.zip基于...
LiteSeg语义分割 C++ 模型部署
05-02
LiteSeg语义分割的模型和源码，使用OpenCV 的Dnn进行推理
全连接条件随机场_DeepLabv1补充：对全连接条件随机场(FC/ Dense CRF)的理解
weixin_39942318的博客
12-06 930
1. 随机场 (random field) 由若干位置组成的整体，每一个位置按某种分布随机地赋一个值，全体即组成一个随机场。2. 马尔科夫随机场(MRF) 马尔科夫随机场是随机场的特例，假设某一个位置的赋值只与和它相邻的位置相关。3. 条件随机场(CRF) 条件随机场是马尔科夫随机场的特例，假设马尔可夫随机场只有X和Y两个随机变量，一般情况下，X是给定的，Y是输出。 形式化定义：设X和Y是...
Densecrf与图像分割代码实例
黑条纹的白斑马的博客
01-05 1743
Densecrf与图像分割
【论文笔记】Fully Connected CRFs
学习 & 分享 ~
08-09 3793
论文：《Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials》，NIPS 2011 1. 概览 全连接条件随机场 Fully Connected CRF 也叫做 Dense CRF 2. 参考： FCN(3)——DenseCRF 全卷积网络和全连接条件随机场 【文献学习】具有高斯边缘势能的全连接CRF的高...
CRF图像分割简介
thesby的专栏
03-24 1万+
这里主要是讲Conditional Random Fields(CRF)用于pixel-wise的图像标记（其实就是图像分割）。CRF经常用于 pixel-wise的label 预测。当把像素的label作为形成马尔科夫场随机变量且能够获得全局观测时，CRF便可以对这些label进行建模。这种全局观测通常就是输入图像。令随机变量XiX_i是像素ii的标签。 Xi∈L={l1,l2,...,lL}X
CRF应用到图像语义分割中的具体方法
05-30
CRF（Conditional Random Fields）是一种常用的用于图像语义分割的后处理方法，主要用于优化分割结果的平滑度和一致性。其主要思想是通过对相邻像素之间的关系进行建模，利用这些关系对像素的分类结果进行调整，从而得到更加准确的分割结果。 CRF在图像语义分割中的具体方法如下： 1. 定义能量函数：根据图像特征和像素之间的关系，定义一个能量函数，用于评估不同分割结果的好坏。通常能量函数包括两部分，一部分是数据项，用于评估每个像素被分为某个类别的可能性；另一部分是平滑项，用于评估相邻像素之间的关系，以便对分割结果进行调整。 2. 利用最大后验估计进行优化：利用最大后验估计（MAP）的方法，根据能量函数对像素进行优化，从而得到最优的分割结果。通常使用迭代算法，如基于梯度下降的算法或基于信念传播的算法进行求解。 3. 将调整后的结果作为最终分割结果：将CRF对像素分类结果进行调整后，得到最终的分割结果。这些调整可以使图像的分割结果更加平滑，同时保留图像的细节信息。 CRF是一种常用的后处理方法，可以有效地提高图像语义分割的准确性和鲁棒性。在实际应用中，可以根据不同的需求和场景选择不同的能量函数和求解算法，以得到更好的分割效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值