CRF条件随机场在机器视觉中的解释

CRF是一种判别模型，本质是给定观察值集合的马尔科夫随机场（MRF）,而MRF是加了马尔科夫性质限制的随机场。

马尔科夫性质：全局。局部。成对

随机场：看做一组随机变量的集合（对应于同一个样本空间），这些随机变量之间可能存在依赖关系，而只有存在依赖关系，我们建立随机场才有意义。

在CV中的解释：

　　　　主要针对图像

　　对于每个像素i具有类别标签y_i (其对应的观测值为x_i)。每个像素作为节点，像素与像素之间的关系作为边，即构成了一个条件随机场CRF。

这里的x_i 可以理解为一张图像的某个像素特征。而CRF就是通过观测变量x_i 来预测像素i 对应的类别标签y_i 

　　　　　　　　p(预测标签 | 图像) = p( y | x )

我们通过观测变量来推测像素i对应的类别标签。

• 假如图片尺寸为40*144，那么就有40*144个像素。
• 计算节点和边：节点 40*144=5760    
  • • 　 边  ：n(n-1)/2，n=5760,所以是节点的平方倍。 这是一个很大很大的数字（如果图片尺寸很大（分辨率很高）的话，那这个数字会更大
• 类别标签为0-31，共32个类，对应的观测值取（0-31）这32个数字。

 为什么需要CRF:

　　CNN模型虽然很强大，但是CNN模型缺少一个关键点，就是每一个像素点类别之间实际上存在着一定关系，也就是我们常说的图像的平滑性——每一个图像像素点的类别都有可能和临近点的类别相近，这个特性是CNN模型所不具有的。