Ich arbeite an einem Projekt, in dem wir die Segmentierung von Vordergrundobjekt auf einem mobilen Gerät entwickeln und anwenden.Aktualisieren der Parameter der bedingten Random Fields ohne Umschulung
Da die Segmentierung nie perfekt sein kann, erlauben wir dem Benutzer, die wahre Region nach der anfänglichen Segmentierung manuell anzupassen. Die anfängliche Segmentierung wird unter Verwendung eines vortrainierten Conditional Random Field (CRF) erreicht.
Was wir weiter machen wollen, ist, dass, sobald der Benutzer die Vordergrundregion nach der anfänglichen Segmentierung anpassen, wir den Gewichtsparameter von CRF ohne Umschulung aktualisieren möchten. Aber wir sind nicht sicher, ob wir das erreichen können? Gibt es einen Ansatz dafür? Papiere?
Es tut mir leid, können Sie bitte ein wenig mehr auf Ihre Antwort erklären. Du hast gesagt, dass ich die unären Potentiale auf unendlich stellen und CRF laufen lassen kann, bedeutet das, nur die Glattheitsterme für die Energieminimierung zu verwenden? Außerdem möchte ich, dass das Modell die Gewichtungen lernt, während der Benutzer die Region aktualisiert, damit ähnliche Objekte in Zukunft mit minimaler Benutzerinteraktion segmentiert werden können. Wenn ich also die Gewichte nicht ändere, heißt das, dass das CRF nicht richtig lernt? –
Ich hatte vor einiger Zeit etwas daran gearbeitet, wo wir die Seeds aktualisieren und die unären Potentiale sich ändern, wenn mehr Seeds hinzugefügt werden (dies könnten sogar vom Benutzer ausgewählte Punkte sein). Sie können in Abschnitt 3.2, http://www.cs.umd.edu/~bharat/accv2014finalpaper.pdf schauen. – Bharat
Danke, ich werde einen Blick in Ihre Zeitung werfen. Nur eine Frage, wie Sie oben über die Definition von unärer Begriff zu unendlich erwähnt haben, ist dies nur am Anfang ich nehme an, wie später das System den Parameter basierend auf menschlichen Samen optimieren wird. Ist das richtig? –