勾配上昇による顕著性マップを使用して画像セグメンテーションを行っています。プロセスのイメージは次のとおりです: http://imgur.com/a/h8vBZ
クラスを正確に予測できるトレーニング済みモデルがあります。次に、このモデルを使用して、勾配の上昇と損失を伴う入力画像の勾配を計算します。私にとって、ここで生成された勾配は、モデルが予測で何に焦点を合わせているかを表しています。
変位値フィルターを実行して、クラスに最も関連するグラデーション値 (ピクセル) を選択し、これからバイナリ マスクを生成します。これはうまく機能しますが、マップは画像内のクラスの周りでより正確でタイトになる可能性があることがわかります。より正確でスムーズなセグメンテーション結果を生成するメカニズムとして条件付きランダム フィールドについて読み、これを実装しようとしていますが、ここで生成される勾配を完全に理解していないように感じます。
私の質問は次のとおりです。この場合、グラデーションは正確に何を表していますか? 私の推測では、これらの値は基本的にピクセル レベルの予測/ピクセル ラベルです。これは単項ポテンシャルと同等ですか?