人工智能，每日面试题：
下列哪个不属于CRF模型对于HMM和MEMM模型的优势（）
A.特征灵活
B.速度快
C.可容纳较多上下文信息
D.全局最优
答案：见文章底部
下载完整原文，公众号回复：1911.08287
论文地址：http://arxiv.org/pdf/1911.08287v1.pdf 代码：https://github.com/zzh-tju/diou. 来源：天津大学 论文名称：Distance-IoU Loss: Faster and Better Learning for Bounding BoxRegression 原文作者：Zhaohui Zheng
边界盒回归是目标检测的关键步骤。在现有的方法中，虽然n范数损失被广泛地应用于包围盒回归，但不适合用于评估度量，即IoU。最近，有学者提出了IoU损失和广义IoU（GIoU）损失来衡量IoU度量，但仍存在收敛速度慢和回归不准确的问题。本文提出了一个Distance-IoU (DIoU) loss，合并了预测框和目标框之间的标准化距离，在训练中比IoU和GIoU loss收敛得更快。此外，本文还总结了边界盒回归中的三个几何因素(重叠面积、中心点距离和纵横比)，并以此为基础提出了一个Complete IoU（CIoU）损失，从而加快了收敛速度，提高了性能。通过将DIoU和CIoU损失合并到YOLOv3、SSD和Faster RCNN等最新的目标检测算法，在IoU度量方面和GIoU度量方面实现了显著的性能提高。而且DIoU很容易地应用到非最大抑制(non-maximum suppression,NMS)作为准则，进一步促进性能提升。
下面是论文具体框架结构以及实验结果：
每日面试题，答案：
正确答案：B
解析：CRF 的优点：特征灵活，可以容纳较多的上下文信息，能够做到全局最优CRF 的缺点：速度慢
CRF没有HMM那样严格的独立性假设条件，因而可以容纳任意的上下文信息。特征设计灵活（与ME一样）————与HMM比较
同时，由于CRF计算全局最优输出节点的条件概率，它还克服了最大熵马尔可夫模型标记偏置（Label-bias）的缺点。————与MEMM比较
CRF是在给定需要标记的观察序列的条件下，使用维特比算法，计算整个标记序列的联合概率分布，而不是在给定当前状态条件下，定义下一个状态的状态分布。————与ME比较
点击右下角的“在看”，给出你的答案：
声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。
