1、动机:原则上,CRF模型利用的特征数目增加,可能会提高算法的性能。但是如果特征数目增加太多,往往会存在如下问题:a,特征之间的干扰问题:由于过多 特征的相互干扰,模型在训练过程中可能很难获取某些重要特征包含的表征目标本质特性的信息;b)过拟合问题:即大量的冗余不相关信息会导致分类性能的下降。
解决该问题的最直接的两条途径是:分类器组合处理和稀疏化处理。第一条途径是采用多个CRF模型,按照获取特征子集的方法或者模式类型的不同,分别对各自对应的特征子集建模,形成若干个针对特征子集的CRF模型,以后再将所有的CRF模型组合。第二条途径等价于特征选择。
2、模型结构图
组合模型中每一个CRF只对某一类特征建模,不同的CRF单元学习每一类特征具有的不同特性,这样就可以解决仅仅通过简单堆叠方式融合多特征时存在的特征之间的干扰问题。各CRF单元特征维数降低,可以缓解过拟合问题
3、融合模型
通过推导,最后得到的后验概率模型为:
该公式表明,给定多类特征,通过多个条件分布单元的乘性组合可以得到标记图像的组合分布。这个模型不仅组合了多个标记图像预测器,还可以通过p(X)项引入图像的先验信息
4、模型的选择
采用LR或MLR定义单位置势函数,采用推广的Ising/Potts定义双位置势函数
先验概率p(X)的建模
采用含有双位置势函数的Auto-logistic建模:
二类问题的MCRF完整描述为如下闭合形式:
https://blog.sciencenet.cn/blog-471807-537379.html
上一篇:
统计区域合并算法下一篇:
用于segmentation的超像素