CASENet：深度类别感知语义边缘检测
计算机视觉与模式识别
2017-05-30 v1
摘要
边界和边缘线索在改进诸如语义分割、目标识别、立体视觉和候选框生成等多种视觉任务中极为有益。近来，边缘检测问题被重新审视，并且借助深度学习取得了显著进展。虽然经典边缘检测本身是一个具有挑战性的二分类问题，但类别感知语义边缘检测本质上是一个更具挑战性的多标签问题。我们对这一问题建模，使得每个边缘像素可以关联多个类别，因为它们出现在属于两个或更多语义类别的轮廓或连接处。为此，我们提出了一种新颖的端到端深度语义边缘学习架构，该架构基于 ResNet 和一种新的跳跃层架构，其中顶层卷积层的类别级边缘激活共享并与同一组底层特征相融合。随后我们提出一种多标签损失函数以监督融合后的激活。我们展示了我们所提架构在该问题上具有更优性能，并且在 SBD 和 Cityscapes 等标准数据集上大幅优于当前最先进的语义边缘检测方法。
引用
@article{arxiv.1705.09759,
title = {CASENet: Deep Category-Aware Semantic Edge Detection},
author = {Zhiding Yu and Chen Feng and Ming-Yu Liu and Srikumar Ramalingam},
journal= {arXiv preprint arXiv:1705.09759},
year = {2017}
}
备注
Accepted to CVPR 2017