图像语意分割系列【2】---条件随机场

第二篇文章，我们不介绍 反卷积结构，而是介绍CRF， 主要是因为，网络结构上，大家只要有相关的CNNs知识，是很好理解的，主要难于作者的创造性思想。这也是FCN能引用1500+的主要原因吧。

这里从数学入手，来看DeepLab如何对FCN进行优化。

有向图模型（Directed Graphical Models，DGM），又称作贝叶斯网络（Bayesian Network），典型模型有：隐马尔科夫模型（生成式），最大熵马尔科夫模型（判别式）
无向图模型（Undirected Graphical Models，UGM），又称做马尔科夫网络（Markov Network）或马尔科夫随机场（Markov Random Field，MRF）

设X=(x1,x2,x3,...,xn)，Y=(y1,y2,y3,...,ym)都是联合随机变量，若随机变量Y构成一个无向图G=(V,E)表示的马尔科夫随机场，则条件概率分布P(Y|X)称为条件随机场。

-------------------以下引用自“十分钟理解语意分割”------

举个简单的例子，“天空”和“鸟”这样的像素在物理空间是相邻的概率，应该要比“天空”和“鱼”这样像素相邻的概率大，那么天空的边缘就更应该判断为鸟而不是鱼（从概率的角度）。

通过对这个能量函数优化求解，把明显不符合事实识别判断剔除，替换成合理的解释，得到对FCN的图像语义预测结果的优化，生成最终的语义分割结果。

--------------------------------------------------------------------