条件随机场 图像分割:条件随机场是生成模型吗[朗读]

条件随机场(crf)由lafferty等人于2001年提出,结合了最大熵模型和隐马尔可夫模型的特点,是一种无向图模型,近年来在分词、词性标注和命名实体识别等序列标注。

隐马尔可夫(hmm)好讲,简单易懂不好讲.我认为@者也的回答没什么错误,不过我想说个更通俗易懂的例子.还是用最经典的例子,掷骰子.假设我手里有三个不同的骰子.第一个骰子是我们平常见的骰子(称这个骰子为d6),6个面？

最近一种新的分类方法“条件随机场”被用于中文分词和词性标注等词法分析工作,一般序列分类模型常常采用隐马模型(hmm),像基于类的中文分词.但隐马模型中存在两个假设:输出独立性假设和马尔可夫性假设.其中,输出独立性假设要求序列数据严格相互独立才能保证推导的正确性,而事实上大多数序列数据不能被表示成一系列独立事件.而条件随机场则使用一种概率图模型,具有表达长距离依赖性和交叠性特征的能力,能够较好地解决标注(分类)偏置等问题的优点,而且所有特征可以进行全局归一化,能够求得全局的最优解。

按照图像分割的定义来说,分为两类最好,因为是将图片中需要的分割出来,不需要的就设为别的。

这个属于graphcut的内容,马尔科夫随机场的含义直观上讲就是,图像的每个像素的前景、背景标定只与相邻像素有关,学过随即过程的应该很容易理解这个,当前状态只与上一状态有关.每个像素都有一个属于前景的概率和一个属于背景的概率,那么作为能量函数中的数据项,能量函数将对错误的标定(如,原本属于前景,但分割过程将其划定为背景),那么将会对其进行惩罚,这个惩罚就是通过最大后验概率来算的,就是取概率的负对数.能量函数中的平滑项,是对相邻像素划为不同类别的惩罚.map+mrf是图割模型的基础。