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:
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:
- 使用cnn训练你的特征 。
- 使特征无法训练 。
- 插入自定义CRF-RNN层 。
- 重新训练网络 。
- 使用新模型进行推理 。
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” 。
- 会员|美容院使用会员管理软件给顾客更好的消费体验!
- 桌面|日常使用的软件及网站分享 篇一:几个动态壁纸软件和静态壁纸网站:助你美化你的桌面
- QuestMobile|QuestMobile:百度智能小程序月人均使用个数达9.6个
- 开发自|不妥协不追随 Member’s Mark升级背后的“山姆哲学”
- 轻松|使用 GIMP 轻松地设置图片透明度
- 电池容量|Windows 自带功能查看笔记本电脑电池使用情况,你的容量还好吗?
- 小米|华为成俄罗斯线上销售最受欢迎品牌!小米紧随其后
- 流畅|手机里垃圾太多,关闭这个开关,彻底清除垃圾,手机立刻流畅
- 超清|带着 vivo S7 逛野生动物园,随手一拍就是超清大片
- 撕破脸|使用华为设备就罚款87万,英政府果真要和中国“撕破脸”?