要約
密結合条件付き確率場（dense conditional random fields; CRF）の推論および学習に向け、正則化フランク・ウルフ（regularized Frank-Wolfe）という汎用的かつ効果的なアルゴリズムを提案する。本アルゴリズムは、単純なフランク・ウルフ法を用いて、CRF推論問題の非凸連続緩和問題を近似的更新により最適化する。この近似更新は、正則化されたエネルギー関数の最小化と等価である。提案手法は、平均場法や凸-凹手続き（concave-convex procedure）といった既存アルゴリズムの一般化であり、これらの手法を統一的に分析する視点を提供するとともに、性能向上が期待できるさまざまな変種を容易に探求する手段をもたらす。標準的なセマンティックセグメンテーションデータセットにおける実証結果により、本手法の複数の具体化が、単体としての推論モジュールとしても、ニューラルネットワーク内のエンド・ツー・エンド学習可能なレイヤーとしても、平均場推論を上回ることを示した。さらに、本研究で開発した新しいアルゴリズムと組み合わせた密結合CRFは、強力なCNNベースラインに対して顕著な性能向上を達成している。