计算机视觉问题的开源CRFs实现？ 在C++中，有几种条件随机域（CRFs）的开源实现，如CRF++、FlexCRF等。但是从手册中，我只能理解如何使用它们来解决文本标注等一维问题，如何在二维视觉问题中应用它们还不清楚。假设我已经计算了每个节点上的关联势和每个边上的相互作用势

是否有人使用这些软件包解决视力问题，例如分割？或者它们根本不能以这种方式使用

总而言之，是否有针对视觉问题的开源CRF包

---

非常感谢

dlib的最新版本支持在任意图形结构（包括二维网格）上学习成对马尔可夫随机场模型。它在最大裕度意义上（即使用结构支持向量机）而不是在最大似然意义上（即CRF）估计参数，但如果您只想预测图形标记，则两种方法都一样好

有一个例子展示了如何在一个简单的示例图上使用这些东西。该示例将特征向量放在每个节点上，结构化SVM使用它们来学习如何正确标记图中的节点。请注意，可以通过修改文件顶部的typedef来更改特征向量的维度。另外，如果您已经有了一个完整的模型，并且只想找到最可能的标签，那么您可以直接调用底层模型

一般来说，我认为解决这些问题的最佳方法是定义您想要使用的图形模型，然后选择一种适用于该模型的参数学习方法。在这个例子中，我想你们对某种成对马尔可夫随机场模型感兴趣。特别是，这种模型可以通过最小割/最大流算法找到最可能的分配。在这种情况下，结构支持向量机是找到模型参数的自然方法，因为结构支持向量机只需要找到最大概率分配的能力。通过最大似然法（即将其视为CRF）查找参数需要您另外有一些方法来计算图形变量的和，但这对于此类模型来说相当困难。对于这种模型，我知道的所有CRF方法都是近似的，而dlib中的SVM方法使用精确的解算器。我的意思是，算法的一个参数是一个epsilon值，表示“一直运行，直到找到在epsilon精度范围内的最佳参数”，并且算法每次都能有效地做到这一点

---

在今年的计算机视觉和模式识别会议上，对这个话题有一个很好的讨论。还有一本关于演讲者的好书。

dlib的最新版本支持学习任意图形结构（包括二维网格）上的成对马尔可夫随机场模型。它在最大裕度意义上（即使用结构支持向量机）而不是在最大似然意义上（即CRF）估计参数，但如果您只想预测图形标记，则两种方法都一样好

有一个例子展示了如何在一个简单的示例图上使用这些东西。该示例将特征向量放在每个节点上，结构化SVM使用它们来学习如何正确标记图中的节点。请注意，可以通过修改文件顶部的typedef来更改特征向量的维度。另外，如果您已经有了一个完整的模型，并且只想找到最可能的标签，那么您可以直接调用底层模型

一般来说，我认为解决这些问题的最佳方法是定义您想要使用的图形模型，然后选择一种适用于该模型的参数学习方法。在这个例子中，我想你们对某种成对马尔可夫随机场模型感兴趣。特别是，这种模型可以通过最小割/最大流算法找到最可能的分配。在这种情况下，结构支持向量机是找到模型参数的自然方法，因为结构支持向量机只需要找到最大概率分配的能力。通过最大似然法（即将其视为CRF）查找参数需要您另外有一些方法来计算图形变量的和，但这对于此类模型来说相当困难。对于这种模型，我知道的所有CRF方法都是近似的，而dlib中的SVM方法使用精确的解算器。我的意思是，算法的一个参数是一个epsilon值，表示“一直运行，直到找到在epsilon精度范围内的最佳参数”，并且算法每次都能有效地做到这一点

---

在今年的计算机视觉和模式识别会议上，对这个话题有一个很好的讨论。还有一本关于主持人的好书。

非常感谢戴维斯！我不是一个学习机器的人，所以有几个问题：1）。基于图模型的基于结构支持向量机的学习方法的术语/名称是什么，可能是关于它的一些论文或教程？2). 我想做的是从文档中分割表结构，你认为结构化SVM更合适吗？如果你还没有实现CRFs，你可以考虑这样做，因为在不同的模型上进行比较是很有趣的：D，更具体的问题如下：3）我的工作需要学习，否则最大流/最小割算法就足够了。我只是快速查看了一下指针：似乎每个节点中的数据条目基本上都是一维的，即data[0]=1表示false，data[1]=1表示true。是否可以将特征向量传递给每个节点，这样我就不必自己决定数据值？理想情况下，我希望将关联电位传递给每个节点和交互电位（都是浮点值）