Deep learning 利用梯度上升法进行图像分割

我正在通过梯度上升使用显著性贴图进行图像分割。 以下是该过程的图像：

我有一个经过训练的模型，可以准确地预测我的课程。然后使用该模型计算具有梯度上升wrt损失的输入图片的梯度。对我来说，这里产生的梯度代表了模型在预测中的重点

我运行一个分位数过滤器来挑选与类最相关的梯度值（像素），然后从中生成一个二进制掩码。这很有效，但是发现贴图可以更精确，更紧密地围绕图像中的类。我读过关于条件随机场作为一种机制来生成更精确、更平滑的分割结果的文章，并试图实现这一点，但感觉好像我对这里生成的梯度没有完全的理解

---

我的问题是：在这种情况下，梯度到底代表什么？我猜这些值本质上是像素级预测/像素标签。这相当于一元电位吗？

有一种端到端的训练方法，将神经网络与CRF结合起来，它完全按照您的要求进行训练。这篇论文是这样的：

根据您的示例图像，我有两个建议。像素标签和电势之间的差异在本教程中有很好的描述：

分位数过滤器在对象处有过满。我怀疑您将图像值规格化为[0..255]范围，并在感兴趣的对象处具有这种“波浪效应”。如果首先将图像值按小于1的某个因子（例如0,5或0,1）进行缩放，则可以将其正常化为范围[0..255]，并使用阈值提取更精确的类区域

你可以为你的CRF尝试高级成对电位。例如对比敏感电位，甚至。它们可能有助于更精确地细化类对象。 此外，值得尝试添加更多功能来训练一元潜能。HOG或稀疏编码特性可能会有所帮助