||
Graph cut based inference with co-occurrence statistics 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,用到了和 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 |
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