用于高效边缘检测的像素差分网络
计算机视觉与模式识别
2021-08-17 v1
摘要
近年来，深度卷积神经网络（CNNs）凭借丰富而抽象的边缘表示能力，在边缘检测上可达到人类水平性能。然而，基于 CNN 的边缘检测的高性能依赖于大型预训练 CNN 骨干网络，这消耗内存与能量。此外，令人惊讶的是，在传统边缘检测器（如 Canny、Sobel 和 LBP）中的先前经验，在快速发展的深度学习时代很少被研究。为解决这些问题，我们提出了一种简单、轻量且高效的架构，名为像素差分网络（PiDiNet），用于高效边缘检测。我们在 BSDS500、NYUD 和 Multicue 上提供了大量实验以证明其有效性，以及其高训练与推理效率。令人惊讶的是，仅使用 BSDS500 和 VOC 数据集从头训练时，PiDiNet 在 BSDS500 数据集上以 100 FPS 和少于 1M 参数超越人类感知的 recorded 结果（ODS F-measure 0.807 vs. 0.803）。参数少于 0.1M 的更快版本 PiDiNet 仍可在 200 FPS 下取得与现有最优方法相当的performance。在 NYUD 和 Multicue 数据集上的结果显示出类似观察。代码见 https://github.com/zhuoinoulu/pidinet。
引用
@article{arxiv.2108.07009,
title = {Pixel Difference Networks for Efficient Edge Detection},
author = {Zhuo Su and Wenzhe Liu and Zitong Yu and Dewen Hu and Qing Liao and Qi Tian and Matti Pietikäinen and Li Liu},
journal= {arXiv preprint arXiv:2108.07009},
year = {2021}
}
备注
ICCV 2021