解混卷积特征以实现清晰边缘检测
计算机视觉与模式识别
2021-06-30 v2
摘要
本文提出一种基于上下文感知的追踪策略（CATS），用于深度边缘检测器实现清晰边缘检测，其基于如下观察：深度边缘检测器的定位模糊主要由卷积神经网络的特征混合现象引起：边缘分类中的特征混合与融合侧预测时的侧混合。CATS 由两个模块组成：一种新颖的追踪损失，通过追踪边界进行特征解混以改进侧边学习；以及一种上下文感知融合块，通过聚合已学侧边的互补优势来解决侧混合。实验表明，所提 CATS 可集成到现代深度边缘检测器中以提升定位精度。使用原始 VGG16 骨干网络，在 BSDS500 数据集上，我们的 CATS 在不使用形态学非极大抑制边缘检测方案评估时，将 RCF 和 BDCN 深度边缘检测器的 F-measure (ODS) 分别提升了 12% 和 6%。
引用
@article{arxiv.2011.09808,
title = {Unmixing Convolutional Features for Crisp Edge Detection},
author = {Linxi Huan and Nan Xue and Xianwei Zheng and Wei He and Jianya Gong and Gui-Song Xia},
journal= {arXiv preprint arXiv:2011.09808},
year = {2021}
}