使用条件随机场(CRF)来提升图像分割的表现( 二 )


在通过网络并在测试集上运行验证之后 , 我们观察到性能指标略有增加 , 显示Dice coefficient为0.9857 。 更重要的是 , 那些被错误分类的“小岛”消失了:
使用条件随机场(CRF)来提升图像分割的表现文章插图
图6:CNN CRF-RNN Mask预测
现在你的解决方案离生产部署更近了一步!
总结综上所述 , Tensorflow中还没有实现开箱即用的CRF-RNN层 。 然而 , 感谢开源社区 , 有一个自定义的实现 。 要做到这一点 , 需要遵循以下步骤:

  1. 使用cnn训练你的特征 。
  2. 使特征无法训练 。
  3. 插入自定义CRF-RNN层 。
  4. 重新训练网络 。
  5. 使用新模型进行推理 。
还有几个要点需要进一步改进该层 。 首先 , 目前批量大小只有1的可能性 。 这是可以改进的 , 但是需要对层进行一些重构 。 其次 , 这个自定义方法不适用于Tensorflow Lite , 因为这个操作符还没有在其中注册 。 也可以使用定制的内核 , 但这需要Tensorflow核心Lite库中的一系列c++实现 。
英文原文:@ihor.shylo/improving-performance-of-image-segmentation-with-conditional-random-fields-crf-8b93f7db396c
更多内容 , 请关注微信公众号“AI公园” 。