https://github.com/Gurupradeep/FCN-for-Semantic-Segmentation
在使用FCN进行预测时，我们独立于周围像素给每个像素贴上标签，这可能会导致粗分割。CRF接受两个输入，一个是原始图像，另一个是每个像素的预测概率。对于全连接的CRF模型，CRF使用了一种高效的推理算法，在任意特征空间中，两个边势由高斯核的线性组合定义。该算法在将类分配给特定像素的同时，也考虑了周围像素的影响，从而得到更好的语义分割结果。
https://blog.csdn.net/thesby/article/details/50969788
发现在蒙特卡洛的那篇论文里，也提到了用CRF做分割后处理，并且，还拿来做对比实验，结论当然是他们的方法比 CRF要好，不过CRF的图片看起来也不错，蒙特卡洛毕竟没开源，而且实时性也没有保证是，而CRF网上资料比较多，可以先试着CRF
2020.6.18 发现用CRF作分割后处理的一大把：
https://www.cnblogs.com/xiaoxiao9292/p/7612662.html
[4]Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials
[5]Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs
[6]Conditional Random Fields as Recurrent Neural Networks
[7]DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution,
and Fully Connected CRFs
[8]Semantic Image Segmentation via Deep Parsing Network
[9]Fast, Exact and Multi-Scale Inference for Semantic Image Segmentation with
Deep Gaussian CRFs
