STEdge: 基于多层教学与正则化的自训练边缘检测
计算机视觉与模式识别
2023-07-06 v2
摘要
基于学习的边缘检测迄今为止一直严重依赖逐像素标注进行强监督，而此类标注人工获取极其繁琐。我们研究了自训练边缘检测问题，利用大规模无标注图像数据集这一未开发的资源。我们设计了一个具有多层正则化和自教学的自监督框架。具体而言，我们施加一致性正则化，强制多层网络中每一层的输出对于输入图像及其扰动对应物保持一致。我们采用 L0 平滑作为“扰动”，遵循自监督学习中的聚类假设，以促使边缘预测位于显著边界上。同时，网络通过伪标签进行多层监督训练，这些伪标签使用 Canny 边缘初始化，并随着训练的进行由网络迭代优化。正则化与自教学共同实现了精确率与召回率的良好平衡，在对目标数据集进行轻量级微调后，性能显著优于监督方法。此外，我们的方法展现出强大的跨数据集泛化能力。例如，在未见过的 BIPED 数据集上测试时，与最先进的方法相比，其 ODS 提升了 4.8%，OIS 提升了 5.8%。
引用
@article{arxiv.2201.05121,
title = {STEdge: Self-training Edge Detection with Multi-layer Teaching and Regularization},
author = {Yunfan Ye and Renjiao Yi and Zhiping Cai and Kai Xu},
journal= {arXiv preprint arXiv:2201.05121},
year = {2023}
}