ciwei020621的个人博客分享 http://blog.sciencenet.cn/u/ciwei020621

博文

狼和羊不应该在一起!

已有 3975 次阅读 2012-2-23 15:39 |系统分类:科研笔记| color, class, border

 

Graph cut based inference with co-occurrence statistics
Ladicky, Lubor (Oxford Brookes, United Kingdom); Russell, Chris; Kohli, Pushmeet; Torr, Philip H. S. Source: Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), v 6315 LNCS, n PART 5, p 239-253, 2010, Computer Vision, ECCV 2010 - 11th European Conference on Computer Vision, Proceedings

11th ECCV Best paper

本人对该文的概括:文章提出了一种称之为object co-occurrence的high-level统计项,用以表征对象之间的关系(inter-obcject)。以该项建立代价函数,集成在AHRF模型(一种CRF),以指导分类分割。

low-level:像素级特征,代表是texton-layout

mid-level:超像素superpixel

假设:狼和羊不会在一起,如果他们同时出现在一张图像中,极有可能是图像分类错了;同样汽车的周围不应该是水,如果这样,那么极有可能图像分类错误。那么如何表征这种语义信息,并用于指导图像的分割分类呢?文章提出了一种Co-occurrence Statistics

1、Co-occurence statistics应该满足的特性

a、必须是定义在X的标记L(x)上的函数,故

b、K(X)应该是随L单调递增的,即

代价C(L)将在训练集中创建,具有形式:,其中是co项在CRF中所占的权值,M是训练集图像张数,,而表示训练图像m的真实标记。

该代价函数简化为:

2、代价函数

,其中,于是推断问题便归结为求最小代价的问题:

求解该问题,用到了 move算法

3、模型

采用的是(AHRF)模型,将在下一博文中介绍

4、实验效果:不采用Co与采用Co项的对比



https://blog.sciencenet.cn/blog-471807-540613.html

上一篇:TextonBoost for Image Understanding
下一篇:结合目标检测的CRF
收藏 IP: 159.226.5.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-6-14 17:48

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部