摘要

我们提出了一种正则化Frank-Wolfe算法，该算法是一种通用且高效的密集条件随机场（CRF）推理与学习方法。该算法通过使用原始Frank-Wolfe方法结合近似更新，对CRF推理问题的非凸连续松弛形式进行优化，而这些近似更新等价于最小化一个正则化的能量函数。所提出的算法是对现有方法（如平均场方法或凹凸过程，CCCP）的推广。这一视角不仅为这些算法提供了统一的理论分析框架，还为探索多种潜在性能更优的变体提供了简便途径。我们在标准语义分割数据集上的实验结果验证了这一点，其中我们提出的正则化Frank-Wolfe的多个实例在作为独立组件使用或作为神经网络中可端到端训练的层时，均优于平均场推理方法。此外，我们还表明，结合我们新提出的算法，密集CRF相较于强大的CNN基线模型，能够实现显著的性能提升。