超越 $\chi^2$ 差异：学习用于边界检测的最优度量
计算机视觉与模式识别
2015-06-19 v1
摘要
本文致力于解决检测自然图像边界这一具有挑战性的问题。边界通常指具有不同语义意义的两个区域之间的分界线。因此，图像区域间相异度的度量在自然图像边界检测中起着至关重要的作用。为了提高边界检测的性能，我们提出了一种基于学习的边界度量 (LBM) 来替代经典算法 mPb 所采用的 差异。与 差异相比，LBM 由单层神经网络和 RBF 核组成，并通过监督学习进行微调，而非人工设计。它在描述自然图像区域间的相异度方面更为有效，同时能够容忍图像数据的较大方差。用 LBM 替换 差异后，mPb 在 BSDS500 基准测试上的 F-measure 指标从 0.69 提升至 0.71。此外，当图像特征在单一尺度上计算时，所提出的 LBM 算法仍能取得与利用多尺度图像特征的 \emph{mPb} 相媲美的结果。
引用
@article{arxiv.1406.0946,
title = {Beyond $\chi^2$ Difference: Learning Optimal Metric for Boundary Detection},
author = {Fei He and Shengjin Wang},
journal= {arXiv preprint arXiv:1406.0946},
year = {2015}
}
备注
Submitted to IEEE Signal Processing Letters