学习预测清晰边界
计算机视觉与模式识别
2018-07-27 v1
摘要
近期基于深度卷积神经网络（CNNs）的边界或边缘检测方法通常存在预测边缘粗厚的问题，并需要后处理以获得清晰边界。训练数据中边界与背景的类别高度不平衡是上述问题的主因之一。本工作中，目标是使CNNs无需后处理即可产生锐利边界。我们引入了一种用于边界检测的新颖损失函数，其对不平衡数据分类非常有效，并允许CNNs产生清晰边界。此外，我们提出了一种采用自底向上/自顶向下架构的端到端网络来处理该任务。所提网络有效利用了分层特征并生成像素精确的边界掩码，这对重建边缘图至关重要。我们的实验表明，直接进行清晰预测不仅提升了CNNs的视觉效果，而且在BSDS500数据集（ODS F-score为.815）和NYU Depth数据集（ODS F-score为.762）上取得了优于最先进方法的结果。
引用
@article{arxiv.1807.10097,
title = {Learning to predict crisp boundaries},
author = {Ruoxi Deng and Chunhua Shen and Shengjun Liu and Huibing Wang and Xinru Liu},
journal= {arXiv preprint arXiv:1807.10097},
year = {2018}
}
备注
Accepted to European Conf. Computer Vision (ECCV) 2018