学习利用图像二阶导数信息进行清晰边缘检测
计算机视觉与模式识别
2025-06-17 v5
摘要
边缘检测是计算机视觉中的基础任务。随着深度卷积神经网络(DCNN)的发展，它取得了很大的进展，其中一些方法已实现超越人类水平的性能。然而，最近的顶尖边缘检测方法倾向于生成厚实且嘈杂的边缘线。在本工作中，我们从两个方面解决此问题：(1)对图像边缘缺乏先验知识，(2)像素分布不平衡的问题。我们提出了一种基于二阶导数的多尺度上下文增强模块(SDMCM)，通过引入边缘先验知识帮助模型准确定位真实边缘像素。我们还构建了一种混合焦点损失函数(HFL)，以缓解像素分布不平衡的问题。此外，我们采用条件参数化卷积(CondConv)开发一种新的边界细化模块(BRM)，可进一步细化最终输出边缘图。最后，我们基于SDMCM和BRM提出一个U型网络，命名为LUS-Net，用于清晰边缘检测。我们在三个标准基准上进行了广泛实验，实验结果表明，我们的方法可以预测清晰且干净的边缘图，并在BSDS500数据集(ODS=0.829)、NYUD-V2数据集(ODS=0.768)和BIPED数据集(ODS=0.903)上实现最先进的性能。
引用
@article{arxiv.2406.05779,
title = {Learning to utilize image second-order derivative information for crisp edge detection},
author = {Changsong Liu and Yimeng Fan and Mingyang Li and Wei Zhang and Yanyan Liu and Yuming Li and Wenlin Li and Liang Zhang},
journal= {arXiv preprint arXiv:2406.05779},
year = {2025}
}