基于全连接条件随机场模型的眼底图像血管分割

大多数身体疾病都可引起眼底图像中血管形状和结构的改变,对眼底图像中血管的有效分割有助于各种疾病的早期发现、诊断和治疗。利用眼底图像分割过程中远距离像素之间会存在相互作用的特点,提出一种基于全连接条件随机场模型的眼底图像血管分割方法。该方法通过计算图像中与目标像素距离较远的像素之间的相互作用,增强了对细长结构连接性的检测能力。将原本用于大面积分割事物的方法成功运用到眼底图像的具有细长结构的血管分割上。采用不同的支持向量机实现对不同像素进行分类及相关参数的自动调节。使用与现有大多数血管分割方法共用的DRIVE和HRF数据库进行测试,结果表明该分割方法有效解决了细小血管处连续性较差、血管融合、断裂等问题。与现有的一些分割方法相比,此法更适合于分割细长结构,对血管的分割效果更接近于专家的手动分割结果,且在灵敏性、特异性等方面都有较大改善。

基于全连接条件随机场的车道线检测方法

【目的】优化车道线检测结果中的噪声区域,提高边缘分割精度。【方法】提出一种深度学习算法与后处理方法相结合的新方法;引入全连接条件随机场(Fully Connected CRFs)算法对ENet-SAD算法输出的车道线概率图进行修正,并将概率图与原图进行拟合,得到车道线检测结果;将新的检测算法在自建数据集及CULane数据集上进行训练及测试。【结果】在自建数据集上,新算法在常规、强光、阴影、遮挡4种场景下的F1分数分别为90.0%、73.1%、81.5%、76.6%;在CULane数据集上,该算法在常规场景下的F1达到了91.0%。【结论】所提出的车道线检测算法能适应多类场景,是一种有效的车道线检测算法。

基于条件随机场和斯塔克尔伯格模型的决策系统研究

文章依托驾驶模拟器平台,对CarSim、Simulink和VeriStand等软件进行设置,搭建硬件在环仿真平台,使用头部姿态估计网络算法检测头部姿态,采集试验数据。建立基于条件随机场的驾驶意图在线识别系统,对左换道、右换道和车道保持3种驾驶意图进行识别,与隐马尔可夫模型对比,证明该系统能够稳定输出驾驶员的驾驶意图。建立基于斯塔克尔伯格博弈模型的人机共驾决策系统,设立仿真试验场景,验证基于驾驶意图识别的人机共驾决策系统的有效性。

基于Voronoi图与条件随机场的自然场景文本检测方法

在自然场景中准确有效地检测文本是一项艰巨的任务,故提出一种基于条件随机场(CRF)框架的场景文本检测方法。通过利用贝叶斯推断估计文本极大值区域的置信度作为一元成本项,通过使用维诺图(Voronoi图)来构建CRF空间邻域信息,从而构建图模型,通过最大流算法最小化成本函数区分文本与非文本标记;利用字符的几何特性通过聚类方法聚合成行。实验结果表明,该算法比传统基于最大稳定极值区域(MSER)算法性能有所提高,自然场景文本检测正确率能达到87%。

融合全卷积网络与条件随机场的高光谱语义分割

针对高光谱遥感影像分割精度不足与单一网络信息流尺度存在局限性的问题,提出了基于双流框架的高光谱分割算法。算法融合深度学习模式中的全卷积神经网络(full convolutional networks,FCN)和高效判别式概率模型条件随机场(conditional random field,CRF),形成了高光谱影像语义分割算法FCN-CRF。在预处理阶段增加PCA(principal component analysis)降维,上采样阶段使用了混合上采样MUS(mix up-sampling)模块,形成了双流框架FCN-CRF分割算法。经过高光谱数据集Pavia University和Indian Pines测试,结果显示,相较于其他一些分割算法,FCN-CRF精度最高,总体精度分别达到了99.01%和98.60%,其参数量较少,运行效率较高。在不同地物类型中,该算法针对人工建筑物分割效果较植被好,边界保持较好。

联合Dilated U-net和全连接条件随机场的黄斑水肿区域自动分割模型

目的视网膜光学相干断层成像(Optical Coherence Tomography,OCT)图像黄斑水肿(Macular Edema,ME)区域的自动分割可辅助临床诊断和决策。以提高OCT图像中ME区域分割精度和效率为目的,本文提出了一种联合Dilated U-net网络和全连接条件随机场(Conditional Random Field,CRF)的ME区域全自动分割模型。方法该模型包括两个方面。鉴于U-net网络结构简便和运算高效等特性,用孔洞卷积代替传统卷积增大网络感受野,构建面向OCT图像ME区域分割的网络架构Dilated U-net,实现视网膜ME区域的粗分割。以ME区域的粗分割为初始轮廓曲线,利用全连接CRF实现视网膜ME区域的高精度优化。结果选用200幅OCT图像进行实验,采用精确率、召回率和Dice相似系数对分割精度进行分析,结果表明,本文模型较C-V和SBG等传统分割模型具有更高的分割精确率和Dice相似系数,分别为95.94%和95.52%;较FCN、PSPNet和Deeplab等网络分割模型具有最高的分割效率,单幅OCT图像中ME区域的分割时间降至0.9 s。结论将Dilated U-net与CRF结合改进的ME区域自动分割模型,不仅可获取ME区域的抽象特征,亦兼顾了图像的上下文信息,使ME区域的分割结果更加准确。本文模型不仅提高了病变区域分割的精度,同时降低了分割耗时,适用于视网膜ME区域的高精准分割。

基于条件随机场模型的运动视频数据安全传输方法

针对当前的运动视频数据传输方法因链路不均衡而导致数据传输误码率偏高、传输安全性较差的问题,提出一种基于条件随机场模型的运动视频数据传输方法。首先构建运动视频数据传输信道均衡模型,利用随机链路转发控制方法进行链路均衡调制;其次建立运动视频数据传输过程的波特间隔均衡调节模型,采用条件随机场模型对运动视频传输过程进行分簇聚类设计,实现运动视频数据传输过程的调制解调处理;最后提取运动视频数据的帧向量,实现运动视频数据的安全传输。实验结果表明,采用该方法进行运动视频数据传输的输出结果峰值信噪比较高,误码率较低和数据召回率较低,有效提高了运动视频数据传输的质量和安全性。

基于预训练模型及条件随机场的中医医案命名实体识别

目的:通过建立一种基于预训练模型及条件随机场(CRF)的神经网络,解决目前中医医案命名实体识别效率一般的问题。方法:人工标注所选中医医案的10类命名实体作为训练集和验证集,并构建基于BERT、RoBERTa、ALBERT及CRF的神经网络,以探究对于中医医案命名实体识别任务的最佳预训练模型及CRF对其贡献大小。结果:基于RoBERTa-CRF构建的神经网络在中医医案命名实体识别任务中的性能最优,其对命名实体识别的整体准确率为99.33%,精确率为98.24%,召回率为98.51%,F1分数为98.38%。结论:基于RoBERTa-CRF构建的神经网络能有效实现中医医案命名实体识别,解决其效率一般的问题,并且通过设置恰当的分层学习率,CRF能有效处理命名实体标签间的依赖关系,可为中医医案的高价值数据挖掘奠定的坚实基础。

全卷积神经网络与全连接条件随机场中的左心室射血分数精准计算

左心室射血分数是临床上用于衡量心脏健康的一项重要指标.为提高左心室分割和射血分数计算的精度,提出一种基于改进的全卷积神经网络和全连接条件随机场的方法.首先利用预训练的全卷积神经网络模型对心脏核磁共振影像进行左心室分割并输出概率图;之后采用3D全连接条件随机场对概率图进行后处理,完成像素级的精准密度预测;最后对左心室分割结果进行3D重建,并计算左心室舒张末期容积和收缩末期容积,进而计算出射血分数.实验结果表明,该方法能够实现左心室射血分数的精确且高效的计算,对左心室射血分数的平均预测误差为4.67%,各步骤耗时短.

基于全卷积网络和条件随机场的宫颈癌细胞学图像的细胞核分割

针对宫颈癌细胞学筛查中由于宫颈细胞核形状复杂多样等因素而导致分割不够精确的问题,提出了一种结合了全卷积网络(FCN)和全连接条件随机场(CRF)的细胞核分割方法。首先,根据Herlev数据集的特点搭建微型全卷积网络(T-FCN),利用细胞核区域像素级别的类别先验信息,自主学习多层次特征来获取细胞核的粗分割结果;然后,通过最小化包含有整幅细胞图像中所有像素类别、像素色彩值与位置等信息的全连接CRF的能量函数来剔除粗分割结果中微小的误分割,并细化分割边缘。在Herlev数据集上的实验结果显示,提出的方法在查准率(Precision)、查全率(Recall)与Zijdenbos相似性指数(ZSI)上均有高于0.9的表现,表明得到的细胞核分割结果与其真实轮廓高度匹配,分割精确。相较于传统方法中对异常细胞核的分割精度较正常细胞核低的情况,提出的方法在异常细胞核的分割指标上普遍优于正常细胞核。

基于条件随机场模型的“评价特征-评价词”对抽取研究

自媒体环境下对海量评价信息进行情感分析与监控已越发重要,它不仅可推动观点挖掘的深入研究,而且可帮助企业探索用户需求以产生巨大的商业价值。本文在条件随机场模型(CRFs)的基础上,结合句法特性,通过实验选取合适的句法特性组合,寻找评价特征提取的路径;其次,构建了手机领域的评论语料库。然后,利用句法分析器把评论短句分解成相应的句法树,分析评价特征词和评价词之间存在的依存关系以及观点信息的完整性结构,利用算法将〈评价特征,评价词〉对从评论语料中抽取出来。提出了基于依存语法的〈评价特征,评价词〉对抽取方法,利用Arbor.js对〈评价特征,评价词〉对进行了可视化展示。从实验结果看,本方法能提高评价特征提取的准确性,并能正确地获取观点信息,为极性判断和完整的观点挖掘做了铺垫。

基于条件随机场模型的汉语功能块自动标注

汉语组块分析是将汉语句子中的词首先组合成基本块,进一步组合形成句子的功能块,最终形成一个具有层次组合结构的汉语句法描述结构.将汉语功能块的自动标注问题看作序列标注任务,并使用词和基本块作为标注单元分别建立标注模型.针对不同的标注模型,分别构建基本块层面的特征集合,并使用条件随机场模型进行汉语功能块的自动标注.实验数据来自清华大学TCT语料库,并且按照8∶2的比例切分形成训练集和测试集.实验结果表明,与仅使用词层面信息的标注模型相比,基本块特征信息的适当加入可以显著提高功能块标注性能.当使用人工标注的基本块信息时,汉语功能块自动标注的准确率达到88.47%,召回率达到89.93%,F值达到89.19%.当使用自动标注的基本块信息时,汉语功能块的标注的准确率为84.27%,召回率为85.57%,F值为84.92%.

全卷积网络和条件随机场相结合的全极化SAR土地覆盖分类

针对经典全卷积网络(fully convolution network,FCN)分类精度低、效果差,以及传统的极化合成孔径雷达(PolSAR)土地覆盖分类方法未充分考虑地物散射特性的问题,提出了一种结合改进FCN和条件随机场(conditional random field,CRF)的全极化SAR土地覆盖分类算法。首先,利用Freeman分解和Pauli分解建模全极化SAR影像,同时提取各分解对应的散射特征,参考Freeman分解散射功率获取其主散射分量对应的主散射地物;同时,借鉴在图像分类领域中具有卓越表现的FCN-Vgg19-8s网络,考虑其高层卷积参数量大和低层卷积模型参数优化程度不足,通过在高层和中层分别构建多尺度卷积组和代价函数设计了FCN-MD-8s网络,保证对整体模型参数进行降维和优化;以Freeman分解散射机理特征为基准,采用级连式迁移学习结构,实现FCN-MD-8s网络的模型训练和测试;然后,根据主散射分量所对应的主散射地物,在各分量预测图中提取出主特征地物,得到分量地物分类结果,并将其进行叠加得到全局粗分类;最后,利用全连接CRF结合Pauli相干分解重建假彩色图,对全局粗分类进行全局像素类别转移获得细分类结果。通过对分类结果定性和定量分析,可知提出算法具有有效性和可行性。

基于完全联系的条件随机场的图像标注

传统的图像标注模型通常存在两个问题:只能够对短距离的像素上下文信息进行建模和复杂的模型推理过程。为了提高图像标注的精度、简化图像标注的模型推理过程,采用完全联系的条件随机场模型进行图像标注,提出利用基于高斯kd树的平均场估计方法实现该模型的高效推理。为了更好地验证算法的有效性,实验的图片数据库不仅包含标准的图片库——剑桥大学微软研究图片库(MSRC-9),还包含作者制作的机械零件图片库(My Dataset_1)和办公桌图片库(My Dataset_2)。新算法在三个图片库上的平均标注精度分别可以达到77.96%、97.15%和95.35%,每幅图的平均运行时间为2 s。实验结果表明,基于完全联系的条件随机场的图像标注能够更充分地考虑不同的像素上下文信息来提高标注精度,而基于高斯kd树的模型推理能够提高模型推理的效率。

基于层叠跳跃链条件随机场模型的因果关系标注

针对因果关系事件中对象、属性及其相互作用关系抽取工作的不足和因果关系中的长距离依赖问题,定义了创新问题的因果关系表达方式,提出了基于层叠跳跃链条件随机场的因果关系标注方法.首先通过低层线性链条件随机场模型对预处理过的候选集进行因果关系边界标注,其次对标注结果进行降噪和扩充,将其作为新的特征传递给高层跳跃链条件随机场模型用于识别因果角色,最后对高层结果进行指代消解和降噪.对多种类别的真实语料进行了实验,结果表明应用本方法可取得较好的标注效果.

基于高阶条件随机场模型的改进型图像分割算法

在图像分割中,将条件随机场(CRF)模型及其高阶模型广泛用作能量函数,后者以二阶CRF模型为基础,通过引入高阶势函数反映各分割块内像素标记的一致性,使分割的目标边缘更加精确,但能量最小化的计算效率不理想。针对该问题,提出一种基于鲁棒P^nPotts高阶CRF模型的改进型图像分割算法。根据给定的标记集合运行最大流/最小割算法得到局部最优解,再用局部最优解修改节点的标记,对未确定标记的节点运行α扩展算法,并在每次迭代过程中动态更新图的流和边的剩余容量,使得每次迭代的时间快速减少。实验结果表明,与α扩展算法相比,改进算法在保持原有分割效果的基础上,相同图像的能量最小化收敛速度比原算法快2倍~3倍。

条件随机场模型的应用研究及改进

近些年来,条件概率模型的研究得到了很大的发展。在对序列标注类问题进行处理时,条件模型逐渐开始取代产生式模型,其应用领域相当广泛,条件概率模型可应用到图像识别、自然语言处理、入侵检测等问题上。条件随机场模型(Conditional Random Fields,CRFs)模型是条件模型中的代表模型,也是条件模型中现在研究得最多的模型之一。它避免了产生式模型的缺点,而且克服了前期最大熵模型标记偏置的缺陷,由此得到广泛的运用。在利用CRFs作具体应用研究时发现,单纯利用CRFs模型进行实际运用取得的效果并没有达到最好,所以在每个应用中均进行了改进。本文主要研究军用文书分词、军事命名实体识别、入侵检测等方面,所做的改进都在模型应用的基础上更进一步提高了系统的性能。

基于多条件随机场模型的图像3D空间布局理解

图像3D空间布局理解在自动驾驶系统以及目标识别中扮演着重要的角色.本文提出一种基于多条件随机场模型集成的图像3D空间布局理解算法.首先,基于多次图像分割生成多个不同尺度的超像素图像;然后,结合LBP表面纹理特征、LM滤波器组获得的方向纹理特征、颜色特征以及图像中超像素的位置和形状特征,建立各尺度的超像素图像中超像素的特征表达;最后,为各尺度的超像素图像分别构建相应的条件随机场模型,并应用D-S证据合成理论对多个条件随机场模型的推断结果进行集成,实现对图像3D空问布局的理解.在公共数据集GC和KITTI Layout上的实验结果表明,同已有算法相比,本文提出的算法提高了图像3D空间布局理解的准确率.

面向自然语言处理的条件随机场模型研究综述

条件随机场(CRF)模型是自然语言处理(NLP)领域的重要方法之一,为深入了解该领域的研究进展,对近年来该模型的相关研究成果进行阐述和分析。梳理CRF模型在多标签、隐变量、语义层次、空间信息、半监督和多模型融合等六个方面的扩展研究,总结CRF模型在分词分割、标注标记、识别检测、提取分类、填充匹配等自然语言处理方向的应用研究,最后对该模型未来研究方向进行展望,包括设计特征生成方法、优化训练推断算法以及扩展模型的图结构等。

基于隐条件随机场的声调建模及区分性模型权重训练(英文)

为提高声调识别率,利用隐条件随机场对汉语声调进行建模,通过加入音节内动态特征、音节间动态特征以及段长特征来进一步提高声调识别性能。提出了将声调模型加入大词汇量连续语音识别系统的区分性方法,根据最小音子错误准则区分性训练模型相关的概率权重,对声学模型及声调模型概率进行加权;给出了两种权重组合策略并通过一种平滑方法来克服权重训练过拟合的问题。实验结果表明,基于隐条件随机场声调模型能够显著提高声调识别率以及大词汇量语音识别的识别率,同时与全局模型权重方法比较,区分性的模型权重训练能够在声调模型加入连续语音识别系统之后,进一步提高系统的识别性能。