边界注意力：学习曲线、角点、连接点与分组

我们提出了一种轻量级网络，用于推断分组与边界，包括曲线、角点和连接点。该网络以自底向上的方式运行，类似于经典的亚像素边缘定位与边缘连接方法，但具有更高维的局部边界结构表示，以及学习而非设计的局部尺度与空间一致性概念。我们的网络使用一种称为“边界注意力”的机制：这是一种几何感知的局部注意力操作，当密集且重复地应用时，能逐步细化一个像素分辨率的变量场，该变量场指定了图像内每个重叠补丁中的边界结构。与许多生成二值化光栅边缘图的边缘检测器不同，我们的模型提供了每个局部区域几何结构的丰富、非光栅化表示。我们发现，其有意的几何偏置使其能够在简单的合成形状上进行训练，然后泛化到从 noisy 低光照照片中提取边界。