【深度学习】深度神经网络后处理之全连接CRFs（DenseCRF）

【深度学习】深度神经网络后处理之全连接CRFs（DenseCRF）

文章目录
1 概述
2 条件随机场
	2.1 什么样的问题需要CRF模型
	2.2 随机场到马尔科夫随机场
	2.3 从马尔科夫随机场到条件随机场
3 python实现图像分割CRFs后处理
4 全连接CRF用于精确定位
5 CRFasRNN
6 总结

1 概述

目前图像像素级语义分割比较流行使用深度学习全卷积神经网络FCN或者各种FCN的改进版U-Net、V-Net、SegNet等方法**。这些模型中使用了反卷积层进行上采样操作，虽然能够将特征图恢复至原图尺寸，但也造成了特征的损失，自然而然产生了分类目标边界模糊的问题。**为了得到更精确的最终分类结果，通常要进行一些图像后处理。全连接CRFs是在目前深度学习图像分割应用中常用的一种图像后处理方式，它是CRFs的改进模式，能够结合原始影像中所有像素之间的关系对深度学习得到的分类结果进行处理，优化分类图像中粗糙和不确定性的标记，修正细碎的错分区域，同时得到更细致的分割边界。

全连接CRFs原理物体通常由大的空