基于鲁棒协作学习的实用边缘检测
计算机视觉与模式识别
2023-08-29 v1 人工智能
摘要
边缘检测作为众多视觉导向任务的核心组件,旨在识别自然图像中的物体边界与显著边缘。实用的边缘检测器需兼具高效与准确。为实现该目标,应关注两个关键问题:1) 如何使深度边缘模型摆脱现有深度学习方法所依赖的低效预训练骨干网络,以节省计算成本并缩减模型规模;2) 如何缓解训练数据中由标注者主观性与模糊性广泛存在的噪声甚至错误标签的负面影响,以提升鲁棒性与准确性。本文尝试通过开发一种基于协作学习的模型(称为 PEdger)同时解决上述问题。PEdger 背后的原理是,从不同训练时刻与异构(本文中为循环与非循环)架构中学习的信息可被整合,以探索抵御噪声标注的鲁棒知识,即便无需在额外数据上预训练。我们在 BSDS500 与 NYUD 数据集上进行了充分的消融研究及定量与定性实验比较,以验证设计的有效性,并证明其在准确性、速度和模型规模上优于其他竞争对手。代码见 https://github.co/ForawardStar/PEdger。
引用
@article{arxiv.2308.14084,
title = {Practical Edge Detection via Robust Collaborative Learning},
author = {Yuanbin Fu and Xiaojie Guo},
journal= {arXiv preprint arXiv:2308.14084},
year = {2023}
}