谁能解释一下语义分割的条件随机域和完全连接的条件随机场之间的区别？ 到目前为止，我只了解到，使用 CRF，您尝试使用两种信息来改进分割掩码：
像素强度：像素强度- 是像素强度，可以很好地猜测类之间的边缘。因此，有了这个，我们可以对物体的边缘进行加权 像素
- 邻近度：对于靠近的像素，它们很有可能归于同一类。如果没有这个，我们将在另一个类的实例中解释对象内部的边，例如 backround。
我的假设正确吗？CRF或完全连接的CRF或两者兼而有之是这样吗？
谢谢！
你是对的，但我会尽量让它更精确并解释它们的差异。
首先，条件随机场 (CRF( 是一种用于分类的图形模型，其中您有两个惩罚，一个用于节点分类(您的项目 1(，另一个用于边缘，其中相邻节点分歧受到惩罚(您的项目 2(。
对于图像分割，通常将每个像素视为图形中的一个节点，并且它们的相邻像素是它们的邻居(2D 图像中的 4 或 8 个相邻像素(，边缘的权重将尝试强制执行这些邻接像素将具有类似的标签。 生成的图形非常稀疏，CRF 计算速度很快。
当CRF完全连接时，每个节点彼此相邻，这使得计算更加昂贵！然而，在[1]中发现，优化可以在具有高斯边缘权重的图像图中有效地完成。 在这种情况下，您不仅要考虑每个像素的邻域以获得其类，还要考虑图像中的所有其他像素。
您可以在 [1] 中找到有关此内容的更多信息。
[1] Krähenbühl， P.， & Koltun， V. (2011(.在具有高斯边缘电位的全连接 CRF 中进行高效推理。神经信息处理系统进展(第109-117页(。