用于边缘检测的更丰富卷积特征
计算机视觉与模式识别
2019-07-04 v3
摘要
本文提出了一种利用更丰富卷积特征（RCF）的精确边缘检测器。由于自然图像中的物体具有不同的尺度和纵横比，卷积神经网络（CNN）自动学习到的丰富层次化表示对于检测边缘和物体边界非常关键且有效。并且，随着感受野的增大，卷积特征逐渐变得更粗糙。基于这些观察，我们提出的网络架构充分利用多尺度和多层次信息，将所有有用的卷积特征整合到一个整体框架中，以执行图像到图像的边缘预测。这是在计算机视觉任务中首次尝试采用如此丰富的卷积特征。使用 VGG16 网络，我们在多个可用数据集上取得了当前最优（state-of-the-art）结果。在著名的 BSDS500 基准上评估时，我们取得了 **.811** 的 ODS F-measure，同时保持了快速的处理速度（**8** FPS）。此外，我们的快速版 RCF 取得了 **.806** 的 ODS F-measure，速度达到 **30** FPS。
引用
@article{arxiv.1612.02103,
title = {Richer Convolutional Features for Edge Detection},
author = {Yun Liu and Ming-Ming Cheng and Xiaowei Hu and Kai Wang and Xiang Bai},
journal= {arXiv preprint arXiv:1612.02103},
year = {2019}
}