面向自然场景骨架提取的 DeepFlux 方法
计算机视觉与模式识别
2018-12-03 v1
摘要
在自然图像中计算物体骨架具有挑战性，原因在于物体外观与尺度差异巨大，以及处理背景杂波复杂性高。许多近期方法将物体骨架检测视为二值像素分类问题，其思路类似于基于学习的边缘检测以及语义分割方法。在本文中，我们偏离该策略，训练一个 CNN 预测二维向量场，将每个场景点映射到候选骨架像素，其精神源于基于通量的骨架化算法。这种“图像上下文通量”表示相较先前方法具有两大优势。首先，它显式编码了骨架像素相对于语义有意义实体（如空间上下文中的图像点）的相对位置，因而也隐含了物体边界。其次，由于骨架检测上下文是基于区域的向量场，它更能应对大宽度物体部件。我们在三个骨架检测基准数据集和两个对称检测数据集上评估所提方法，相较最先进方法取得了一致更优的性能。
引用
@article{arxiv.1811.12608,
title = {DeepFlux for Skeletons in the Wild},
author = {Yukang Wang and Yongchao Xu and Stavros Tsogkas and Xiang Bai and Sven Dickinson and Kaleem Siddiqi},
journal= {arXiv preprint arXiv:1811.12608},
year = {2018}
}
备注
10 pages