论文翻译：Higher Order Potentials in End-To-End Trainable Conditional Ran-dom Fields

来源：CoRR，abs，2015

Abstract

       我们利用深度学习技术来解决语义分割的问题。大多数语义分割系统包括一个条件随机场（CRF）模型，以产生与图像的视觉特征一致的结构化输出。随着近期深度学习的进展，在深度神经网络中执行CRF推断以促进CRF与逐像素卷积神经网络（CNN）分类器的联合学习变得越来越普遍。
      虽然基本CRF只使用一元和两两潜在的电势，但已经表明，在具有两个以上节点的派系上定义的更高阶势的添加可以导致更好的分割结果。在本文中，我们展示了两种类型的高阶势，即基于物体检测的电位和基于超像素的电位，可以被包括在嵌入深度网络的CRF中。我们设计这些更高阶的势能以允许推理高效和可微分的平均场算法，使得我们可以在深度网络中实现我们的CRF模型作为堆叠层。因此，我们丰富的CRF模型的所有参数可以在整个网络的端到端训练期间与CNN分类器联合学习。随着这些可训练的高阶势能的引入，我们发现结果显着改善。

1. Introduction