초록
본 연구에서는 가우스 조건부 랜덤 필드(G-CRF)와 딥러닝의 장점을 결합한 구조화된 예측 기법을 제안합니다. 이 기법은 다음과 같은 특징을 가지고 있습니다: (a) 우리의 구조화된 예측 작업은 선형 시스템의 해로부터 정확하게 얻어지는 유일한 전역 최적해를 갖습니다. (b) 모델 매개변수의 그래디언트는 메모리 요구가 많은 현대적인 딥 구조화된 예측 접근법과 달리, 폐쇄 형식 표현을 사용하여 해석적으로 계산됩니다. (c) 우리의 쌍별 항목은 DenseCRF를 기반으로 하는 연구에서처럼 단순히 수작업으로 설계된 표현이 아니라, 데이터로부터 딥 아키텍처를 통해 '발견'될 수 있습니다. (d) 우리의 시스템은 엔드투엔드 방식으로 훈련될 수 있습니다.수치 해석 분야의 표준 도구들을 활용하여 추론과 학습을 위한 매우 효율적인 알고리즘을 개발하였으며, 의미 분할 작업에 맞춘 맞춤형 기술도 제시하였습니다. 이러한 효율성 덕분에 우리는 딥러닝에서 더 복잡한 구조화된 예측 아키텍처를 탐색할 수 있었습니다. 다중 해상도 아키텍처를 도입하여 다양한 스케일 간 정보를 공동 최적화 프레임워크에서 결합함으로써 체계적인 개선을 이루어냈습니다.우리는 본 접근법의 유용성을 어려운 VOC PASCAL 2012 이미지 세그멘테이션 벤치마크에서 입증하였으며, 강력한 기준 모델들보다 크게 개선되는 결과를 보여주었습니다. 모든 코드와 실험 자료는 {https://github.com/siddharthachandra/gcrf}에서 제공됩니다.