摘要
在这项工作中，我们提出了一种结合高斯条件随机场（G-CRF）与深度学习优势的结构预测技术：(a) 我们的结构预测任务具有一个唯一的全局最优解，该解可以通过求解线性系统精确获得；(b) 模型参数的梯度通过闭式表达式解析计算得出，这与依赖时间反向传播且内存需求较高的现代深度结构预测方法形成对比；(c) 我们的成对项不必像基于DenseCRF的工作那样是简单的手工设计表达式，而是可以通过深度架构从数据中“发现”；(d) 我们的系统可以进行端到端训练。利用数值分析中的标准工具，我们开发了高效的推理和学习算法，以及针对语义分割任务定制的技术。这种高效性使我们能够探索深度学习中更为复杂的结构预测架构：我们引入了多分辨率架构，在联合优化框架下跨尺度耦合信息，从而实现系统的系统性改进。我们在具有挑战性的VOC PASCAL 2012图像分割基准上展示了我们方法的有效性，结果显示相比强大的基线模型有显著提升。我们的所有代码和实验均在以下网址公开：{https://github.com/siddharthachandra/gcrf}