端到端实例边缘检测

边缘检测长期以来一直是计算机视觉领域的一个重要问题。先前的工作已探索了类别无关或类别感知的边缘检测。在本文中，我们在目标实例的背景下探索边缘检测。尽管目标边界可轻易从分割掩码导出，但在实践中，实例分割模型被训练以最大化与真值掩码的 IoU，这意味着分割边界未被强制与真值边缘边界精确对齐。因此，实例边缘检测任务本身是不同的且关键的。由于精确的边缘检测需要高分辨率特征图，我们设计了一种新颖的 transformer 架构，其高效结合 FPN 与 transformer 解码器，以在合理计算预算内实现多尺度高分辨率特征图上的交叉注意力。进一步，我们提出了一种轻量级密集预测头，适用于实例边缘与掩码检测。最后，我们使用惩罚缩减 focal loss 以通过点监督在实例边缘上有效训练模型，这可降低标注成本。我们展示了相比最先进基线极具竞争力的实例边缘检测性能，并也表明所提出的任务与损失对实例分割与目标检测是互补的。