对于视觉场景的理解是机器人在未知环境中进行有目的的行动的一项重要能力,图像语义分割能够有效地帮助机器人理解周围场景的语义特性。条件随机场(Conditional Random Field,CRF)是解决语义分割问题的一个重要框架。针对传统条件随机...对于视觉场景的理解是机器人在未知环境中进行有目的的行动的一项重要能力,图像语义分割能够有效地帮助机器人理解周围场景的语义特性。条件随机场(Conditional Random Field,CRF)是解决语义分割问题的一个重要框架。针对传统条件随机场相邻节点数过于稀疏的局限性,研究了具有稀疏高阶势CRF的图像语义分割算法,提出一种高阶CRF的二次规划(quadratic programming,QP)松弛推理算法。首先,使用来自TextonBoost的一元势、高斯二元势以及由Pn-Potts模型推导得到的高阶势建立能量函数,然后利用高效的QP松弛推理算法来解决高阶CRF的能量最小化问题,最后采用Pascal VOC2012公开数据集进行实验,验证算法的可行性与有效性。实验证明,该算法有效地克服了传统条件随机场局限性,获得了更好的语义分割结果。展开更多
文摘对于视觉场景的理解是机器人在未知环境中进行有目的的行动的一项重要能力,图像语义分割能够有效地帮助机器人理解周围场景的语义特性。条件随机场(Conditional Random Field,CRF)是解决语义分割问题的一个重要框架。针对传统条件随机场相邻节点数过于稀疏的局限性,研究了具有稀疏高阶势CRF的图像语义分割算法,提出一种高阶CRF的二次规划(quadratic programming,QP)松弛推理算法。首先,使用来自TextonBoost的一元势、高斯二元势以及由Pn-Potts模型推导得到的高阶势建立能量函数,然后利用高效的QP松弛推理算法来解决高阶CRF的能量最小化问题,最后采用Pascal VOC2012公开数据集进行实验,验证算法的可行性与有效性。实验证明,该算法有效地克服了传统条件随机场局限性,获得了更好的语义分割结果。
