Эффективность маркировки изображений с использованием CRF

Question

Мне нужно разработать приложение для маркировки изображений. Для этой задачи я рассматриваю использование условных случайных полей (CRF) над набором суперпикселей, существует довольно много работ, в которых указывается эта технология как для достижения этой цели. Как обычно задача может быть разделена на две задачу:

• модель обучения: которая для этой проблемы будет получившей вектор параметров «W», используя, например
• Тестирования: который будет получать наиболее осуществимый этикетки присвоение заданного набора суперпикселей, т. е. argmax (P (y | x))

Я знаю, что время тренировки достаточно велико, есть ли у кого-нибудь и представление о том, сколько времени может решить проблема тестирования? Я полагаю, это будет зависеть от количества меток, размера изображения, реализации, аппаратного обеспечения и т. Д.

Answer 1

Тестирование медленное, потому что вам все еще нужно решить проблему сокращения графа (но ничего подобного тренировке). Существует реализация, которую вы можете попробовать в http://drwn.anu.edu.au/drwnProjMultiSeg.html (вы, вероятно, видели документы Стивена Гулда).

У меня все еще есть файл журнала. но это немного сложно интерпретировать, поэтому следующее может быть не совсем точным. На супер быструю машине, я думаю, что это заняло около:

• 4,5 часа процессорного времени на подготовку 20 классов на 276 изображений из MSRC набора данных
• 50 минут времени центрального процессора для классификации 256 изображений, большинство из которых были потрачено делать альфа-расширение