基于多尺度张量求和与维数约简引导的神经网络边缘检测
计算机视觉与模式识别
2026-05-06 v1
摘要
边缘检测因其在下游计算机视觉任务中提升性能的显著作用而引起广泛关注。近年来，探索了各种深度学习方法用于边缘检测任务，显著优于传统计算机视觉算法。神经网络的边缘检测任务需要相当大的感受野才能提供令人满意的性能。典型的卷积运算中，通过利用大量连续层可实现较大的感受野，这会导致深层网络结构。最近提出了一种多尺度张量求和（MTS）因子化算子，可从初始层就实现非常大的感受野。本文提出了一种新的MTS维数约简（MTS-DR）模块引导的神经网络——MTS-DR-Net，用于边缘检测任务。MTS-DR-Net使用MTS层和相应的MTS-DR模块作为新的主干结构，以删除初始冗余信息。这种维数约简模块使神经网络能够专门关注相关信息（即必要子空间）。最后，一个权重U型精炼模块跟随MTS-DR模块。我们在两个基准边缘检测数据集上进行了广泛实验：BSDS500和BIPEDv2，以验证该模型的有效性。该MTS-DR-Net的实现可在 https://github.com/LeiXuAI/MTS-DR-Net.git 查找。
引用
@article{arxiv.2504.15770,
title = {Multi-Scale Tensorial Summation and Dimensional Reduction Guided Neural Network for Edge Detection},
author = {Lei Xu and Mehmet Yamac and Mete Ahishali and Moncef Gabbouj},
journal= {arXiv preprint arXiv:2504.15770},
year = {2026}
}