用于感知边缘检测的双向级联网络
计算机视觉与模式识别
2021-06-21 v1
摘要
利用多尺度表示对于改进不同尺度物体的边缘检测至关重要。为提取差异极大的尺度上的边缘，我们提出一种双向级联网络（BDCN）结构，其中每一独立层由其特定尺度上的标注边缘监督，而非直接对所有 CNN 输出施加相同监督。此外，为丰富 BDCN 学习的多尺度表示，我们引入尺度增强模块（SEM），利用空洞卷积生成多尺度特征，而非使用更深的 CNN 或显式融合多尺度边缘图。这些新方法鼓励在不同层中学习多尺度表示，并检测出由其尺度清晰刻画的边缘。学习尺度专用层还带来了参数极少的小型化网络。我们在三个数据集（即 BSDS500、NYUDv2 与 Multicue）上评估了我们的方法，在 BSDS500 上取得了 0.828 的 ODS F 值，比当前最优方法高 1.3%。代码已发布于 https://github.com/pkuCactus/BDCN。
引用
@article{arxiv.1902.10903,
title = {Bi-Directional Cascade Network for Perceptual Edge Detection},
author = {Jianzhong He and Shiliang Zhang and Ming Yang and Yanhu Shan and Tiejun Huang},
journal= {arXiv preprint arXiv:1902.10903},
year = {2021}
}