??? 問題：時間的依賴變量通過光流建立，空間的依賴由于空間限制表達能力，無法建模復雜依賴，一些高階概率結合學習模式或強化預分割區域中標簽一致性

??? 使用CNN進行高階空間可能性編碼，可以基于CNN定義目標函數來評估給定的掩碼整體。每幀像素空間potential可以使用基于CNNDA方法進行定義，更復雜的依賴也可以通過這種方式進行定義，因此MRF模型將強制每幀中的推斷結果更像特定的對象。

??? 對MRF以及相關定義的說明

??? 馬爾科夫核心：當前節點只與和它相連的有關，而與其他無關，具有條件獨立性求取聯合概率分布

??? 團塊：團塊中節點集合是全連接的，每對節點間都存在連接

??? 因子：定義為團塊中變量的函數

??? 重新回到文章，在一整個視頻序列中定義隨機場X,每幀中每個像素都是一個變量，值在{0,1}之間（二值分類），用x表示X中變量可能的label。場中的團用C定義，團中變量集用xc表示。

??? 隨機場最大后驗概率時，x的標簽

表示受圖片數據限制時，各團能量總和最小時x應取什么label

??? 通過最小能量函數實現最大后驗概率

一元能量函數，表示每個像素點取當前label 的概率的對數值。

??? Et使用forward-backward consistency check進行過濾。

用兩幀之間對應的標簽（像素）作差，Wij用于表示時空連接可信度，該能量函數用于保證時空一致性。

??? 空間：一幀中所有像素作為一個團，也即一幀中的某個像素的label與當前幀中其余所有像素都有關。

??? 計算一幀圖像的能量函數f（·），評價一整個mask的質量，如直接用當前mask與真值mask直接作差，但實際上真值也是不知道的。空間能量函數定義如下

??? 基于CNN能量函數的MRF推斷比較困難

??? 公式太多我就直接放圖了

總結

以上是生活随笔為你收集整理的CNN in MRF: Video Object Segmentataion via Inference in A CNN-Based Higher-Order Spatio-Temporal MRF的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。