Dense CRF的直观理解

原文地址：https://zhuanlan.zhihu.com/p/22464586

Dense CRF 的直观表示

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，它并不是一个高级的模型。

2）Plan B

让每一个像素的类别和所有像素的信息有关，可以用下面的图表示这个模型：

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。所以我们对这个模型也保留意见。

3）Plan C

让每一个像素点的类别和它的 4 邻域的类别相关，于是模型变成了这个样子：

平滑性已经得到了一定的满足，但仅仅是这种程度的关联可能仍然不够的，如果临近的几个像素恰好产生了一点波动，不是我们想要的那个样子，那么这个像素点的类别就有可能出问题，我们还需要更深层次的关联。

4）Plan D：

为了得到更深层次的关联，提出 Dense CRF：

每一个像素点的类别都和其他所有像素点的类别相关，模型的复杂程度提到了最高的程度。