RINDNet：用于反射率、光照、法向与深度不连续性的边缘检测
计算机视觉与模式识别
2021-08-03 v1
摘要
作为计算机视觉的基本构件，边缘可根据表面反射率、光照、表面法向或深度的不连续性分为四类。虽然在检测通用或单一类型边缘方面已取得很大进展，但综合研究所有四类边缘仍待探索。本文中，我们提出一种新颖的神经网络方案 RINDNet，以联合检测所有四类边缘。考虑到每类边缘的独特属性及其相互关系，RINDNet 为每类学习有效表示并分三阶段工作。在第一阶段，RINDNet 使用公共骨干网络提取所有边缘共享的特征。然后在第二阶段，它通过相应的解码器分支为每类边缘准备判别性特征。在第三阶段，每类的独立决策头聚合来自前阶段的特征以预测初始结果。此外，一个注意力模块为所有类型学习注意力图以捕捉它们之间的潜在关系，并将这些图与初始结果结合生成最终边缘检测结果。为训练与评估，我们构建了首个公开基准 BSDS-RIND，其中所有四类边缘均经过仔细标注。在我们的实验中，与最先进方法相比，RINDNet 取得了有前景的结果。补充材料中给出了进一步分析。
引用
@article{arxiv.2108.00616,
title = {RINDNet: Edge Detection for Discontinuity in Reflectance, Illumination, Normal and Depth},
author = {Mengyang Pu and Yaping Huang and Qingji Guan and Haibin Ling},
journal= {arXiv preprint arXiv:2108.00616},
year = {2021}
}
备注
Accepted by ICCV2021