条件随机场分类
1.1用于序列标注—线性链条件随机场
（命名实体识别-维比特算法）
1.2用于图像—稀疏条件随机场与全连接条件随机场
下面内容参考-图像语义分割（4）- DeepLab_v1
关于条件随机场，可以参考文章《如何轻松愉快地理解条件随机场（CRF）？》。简单来说就是，定义一组特征函数来描述事件之间的概率，所谓的条件就是，所有这些事件的当前的一个组合
文章《CRF as RNN语义分割》 另一个总里对全连接条件随机场有很好的总结，可惜没写完。以下内容参考此篇文章
如图3所示，定义xi为像素点i的分类标签，其取值就是我们要分类的语义标签；yi为每个随机变量xi的观测值，即该像素的颜色（亮度）值。条件随机场的语义分割的目标就是：通过观测变量yi，推理出变量xi的值
图3. 条件随机场图模型
如图3所示，为图模型G=(V,E)，其中V={x1,x2,…,xn}为顶点；对于边，有稀疏条件随机场和全连接条件随机场之分：
1）稀疏条件随机场：每对相邻（4邻域、8邻域）的像素点可以构成一条边
2）全连接条件随机场desen CRF：每个像素点与所有其他像素点相连，可以想象，这样的计算量是非常大的。（deeplab）
文献【2】给出了快速推理算法
若有收获，就点个赞吧
0 人点赞
