條件隨機場 圖像分割:條件隨機場是生成模型嗎[朗讀]

條件隨機場(crf)由lafferty等人於2001年提出,結合了最大熵模型和隱馬爾可夫模型的特點,是一種無向圖模型,近年來在分詞、詞性標註和命名實體識別等序列標註。

隱馬爾可夫(hmm)好講,簡單易懂不好講.我認為@者也的回答沒什麼錯誤,不過我想說個更通俗易懂的例子.還是用最經典的例子,擲骰子.假設我手裡有三個不同的骰子.第一個骰子是我們平常見的骰子(稱這個骰子為d6),6個面？

最近一種新的分類方法「條件隨機場」被用於中文分詞和詞性標註等詞法分析工作,一般序列分類模型常常採用隱馬模型(hmm),像基於類的中文分詞.但隱馬模型中存在兩個假設:輸出獨立性假設和馬爾可夫性假設.其中,輸出獨立性假設要求序列數據嚴格相互獨立才能保證推導的正確性,而事實上大多數序列數據不能被表示成一系列獨立事件.而條件隨機場則使用一種機率圖模型,具有表達長距離依賴性和交疊性特徵的能力,能夠較好地解決標註(分類)偏置等問題的優點,而且所有特徵可以進行全局歸一化,能夠求得全局的最優解。

按照圖像分割的定義來說,分為兩類最好,因為是將圖片中需要的分割出來,不需要的就設為別的。

這個屬於graphcut的內容,馬爾科夫隨機場的含義直觀上講就是,圖像的每個像素的前景、背景標定只與相鄰像素有關,學過隨即過程的應該很容易理解這個,當前狀態只與上一狀態有關.每個像素都有一個屬於前景的機率和一個屬於背景的機率,那麼作為能量函數中的數據項,能量函數將對錯誤的標定(如,原本屬於前景,但分割過程將其劃定為背景),那麼將會對其進行懲罰,這個懲罰就是通過最大後驗機率來算的,就是取機率的負對數.能量函數中的平滑項,是對相鄰像素劃為不同類別的懲罰.map+mrf是圖割模型的基礎。