0

我正在通过梯度上升使用显着图进行图像分割。这是该过程的图像：http: //imgur.com/a/h8vBZ

我有一个训练有素的模型，可以准确地预测我的课程。然后，该模型用于计算输入图片的梯度，其中梯度上升 wrt 损失。对我来说，这里产生的梯度代表了模型在预测中关注的内容。

我运行一个分位数过滤器来挑选与该类最相关的梯度值（像素），然后从中生成一个二进制掩码。这很好用，但发现地图可以在图像中的类周围更准确和更紧密。我阅读了条件随机场作为生成更准确和平滑分割结果的机制，并试图实现这一点，但感觉好像我对这里产生的梯度没有完全理解。

我的问题是：在这种情况下，渐变到底代表什么？我的猜测是这些值本质上是像素级预测/像素标签。这相当于一元势吗？

4

2 回答 2

0

有一种端到端的训练方法将神经网络与 CRF 相结合，可以完全按照您的意愿进行操作。这篇论文是这样的：https ://arxiv.org/pdf/1611.10229.pdf 。

于 2017-06-02T19:53:21.243 回答
0

根据您的示例图像，我有两个建议。本教程中很好地描述了像素标签和电位之间的区别：Demo Train

  1. 分位数过滤器在对象处过度填充。我怀疑您将图像值标准化为 [0..255] 范围，并在感兴趣对象的位置使用这种“波浪效果”。如果您首先将图像值缩放小于 1 的某个因子（例如 0,5 或 0,1），那么您可以将它们正确归一化到 [0..255] 范围内，并使用阈值提取更准确的类区域。
  2. 您可以为您的 CRF 尝试高级成对势。例如对比敏感电位，甚至连接边缘电位。它们可能有助于更准确地细化类对象。此外，值得尝试添加更多特征来训练一元势。HOG 或稀疏编码功能可能会有所帮助。
于 2017-08-09T17:04:55.790 回答