用于边缘检测的紧凑型双重融合网络
计算机视觉与模式识别
2025-01-10 v1 机器学习
摘要
多尺度特征的重要性已逐渐被边缘检测领域所认识。然而，多尺度特征的融合增加了模型的复杂度，不利于实际应用。在本工作中，我们提出一种紧凑型双重融合网络（CTFN），在保持模型紧凑性的同时充分整合多尺度特征。CTFN 包含两个轻量级多尺度特征融合模块：语义增强模块（SEM），可利用粗尺度特征所含的语义信息引导细尺度特征的学习；以及伪像素级加权（PPW）模块，通过对所有特征分配权重来聚合多尺度特征的互补优势。尽管如此，纹理噪声的干扰使得部分像素的正确分类仍具挑战。针对这些困难样本，我们提出一种称为动态焦点损失（Dynamic Focal Loss）的新损失函数，其对标准交叉熵损失进行重塑并动态调整权重以纠正困难样本的分布。我们在 BSDS500、NYUDv2 和 BIPEDv2 三个数据集上评估了我们的方法。与当前最优（SOTA）方法相比，CTFN 以更少的参数量和计算成本取得了具有竞争力的精度。除骨干网络外，CTFN 仅需 0.1M 额外参数，将其计算成本降至其他 SOTA 方法的 60%。代码见 https://github.com/Li-yachuan/CTFN-pytorch-master。
引用
@article{arxiv.2307.04952,
title = {Compact Twice Fusion Network for Edge Detection},
author = {Yachuan Li and Zongmin Li and Xavier Soria P. and Chaozhi Yang and Qian Xiao and Yun Bai and Hua Li and Xiangdong Wang},
journal= {arXiv preprint arXiv:2307.04952},
year = {2025}
}
备注
Manuscript submitted to a Springer journal