边缘对齐与学习的同步进行
计算机视觉与模式识别
2018-10-29 v3 机器学习
多媒体
机器人学
摘要
边缘检测因其在于知觉分组中的作用及广泛应用，是最基础的视觉问题之一。表征学习的最新进展在该领域带来了显著改进。许多最先进的边缘检测模型是使用全卷积网络（FCN）学习的。然而，基于 FCN 的边缘学习由于边缘结构的精细性，往往易受标签未对齐的影响。尽管该问题在评测基准中已被考虑，但在一般边缘学习中类似问题尚未被明确解决。本文中，我们表明标签未对齐会导致边缘学习质量显著下降，并通过提出一种同步边缘对齐与学习框架来解决该问题。为此，我们构建了一个概率模型，其中边缘对齐被视为隐变量优化，并在网络训练期间端到端地学习。实验展示了本工作的若干应用，包括以最先进性能改进的边缘检测，以及噪声标注的自动精炼。
引用
@article{arxiv.1808.01992,
title = {Simultaneous Edge Alignment and Learning},
author = {Zhiding Yu and Weiyang Liu and Yang Zou and Chen Feng and Srikumar Ramalingam and B. V. K. Vijaya Kumar and Jan Kautz},
journal= {arXiv preprint arXiv:1808.01992},
year = {2018}
}
备注
Accepted to ECCV 2018