用于目标骨架检测的自适应线性张成网络
计算机视觉与模式识别
2021-06-09 v1 人工智能
摘要
传统的目标骨架检测网络通常是手工设计的。尽管有效，它们需要密集的先验知识来为不同尺度粒度的目标配置具有代表性的特征。本文提出由神经架构搜索（NAS）驱动的自适应线性张成网络（AdaLSN），以自动配置并整合尺度感知特征用于目标骨架检测。AdaLSN以线性张成理论构建，该理论为多尺度深度特征融合提供了最早的阐释之一。AdaLSN通过定义混合单元-金字塔搜索空间来实现，该空间超越了诸多仅使用单元级或金字塔级特征的现有搜索空间。在此混合空间内，我们应用遗传架构搜索来联合优化单元级操作与金字塔级连接，以实现自适应特征空间扩展。AdaLSN相较于当前最优方法实现了显著更优的精度与延迟权衡，从而证实了其通用性。它还展示了对边缘检测与道路提取等图像到掩码任务的普遍适用性。代码见 \href{https://github.com/sunsmarterjie/SDL-Skeleton}{\color{magenta}github.com/sunsmarterjie/SDL-Skeleton}。
引用
@article{arxiv.2011.03972,
title = {Adaptive Linear Span Network for Object Skeleton Detection},
author = {Chang Liu and Yunjie Tian and Jianbin Jiao and Qixiang Ye},
journal= {arXiv preprint arXiv:2011.03972},
year = {2021}
}
备注
13 pages, 9 figures