文章目錄

• • • 一、背景
    • 二、動(dòng)機(jī)
    • 三、方法
    • 四、效果

一、背景

邊緣檢測(cè)/輪廓檢測(cè)是從圖片的背景中分離出目標(biāo)的輪廓和邊緣。

現(xiàn)有的基于CNN的方法：HED/CEDN/COB等，基本都是使用較深的網(wǎng)絡(luò)結(jié)構(gòu)，并利用其從imagenet預(yù)訓(xùn)練得來的高層分類信息

問題：雖然現(xiàn)有的方法使用了預(yù)訓(xùn)練的分類網(wǎng)絡(luò)作為backbone，但這些backbone肯定有一些沒有被開發(fā)出來的能力，因?yàn)樗鼈償y帶了很多高層抽象特征。

二、動(dòng)機(jī)

三、方法

1、語義信息層面

對(duì)于邊緣檢測(cè)，傳統(tǒng)的邊緣檢測(cè)方法可以檢測(cè)出圖像中的很多邊緣，所以難點(diǎn)會(huì)在于如何區(qū)分出對(duì)任務(wù)有用的邊緣和無用的邊緣，此時(shí)就需要上下文語義信息了（semantic context）。

本文采用了PASCAL VOC 的20類目標(biāo)的邊界來作為語義上下文信息

出發(fā)點(diǎn)：如果上下文信息明確且細(xì)節(jié)信息也可得到，那么最重要的事情就是高層信息的抽象能力，就可以從上下文信息中抽出邊緣。

落腳點(diǎn)：基于上述出發(fā)點(diǎn)，本文致力于使用現(xiàn)有分類網(wǎng)絡(luò)自身的能力來提升對(duì)輪廓檢測(cè)的效果

實(shí)現(xiàn)方法：對(duì)網(wǎng)絡(luò)結(jié)構(gòu)、backbone、訓(xùn)練方式、數(shù)據(jù)集都做了探究

2、refine 結(jié)構(gòu)

① 首先從最深的特征圖出發(fā)，將其與上一層的特征圖融合，直到到達(dá)最淺層（multi-resolution fusion）

② 訓(xùn)練過程實(shí)現(xiàn)兩個(gè)目標(biāo)，這兩個(gè)目標(biāo)都可以通過數(shù)據(jù)增強(qiáng)來加強(qiáng)實(shí)現(xiàn)：

• 有效利用pretrained 網(wǎng)絡(luò)的特征抽象能力
• 將該抽象能力和pixel-wise的檢測(cè)有效結(jié)合

3、邊緣檢測(cè)和圖像分割的不同

邊緣檢測(cè)和圖像分割網(wǎng)絡(luò)最大的不同在于目標(biāo)函數(shù)，邊緣檢測(cè)是一個(gè)二分類問題，本文使用邏輯回歸作為 loss function：

• $h\in [0,1]$，是預(yù)測(cè)結(jié)果
• $y\in \{0,1\}$，是二值label
• $\beta =10$，平衡因子，平衡邊緣和非邊緣特征

4、網(wǎng)絡(luò)結(jié)構(gòu)

• RCU：residual convolutional unit，有殘差卷積層，可以豐富網(wǎng)絡(luò)參數(shù)，同時(shí)可以調(diào)節(jié)/修正 MRF 的輸入。
• MRF：multi-resolution fusion，使用卷積和上采樣調(diào)節(jié)特征圖通道和大小，以便不同分辨率的特征圖融合
• CRP：chained residual pooling，使用鏈?zhǔn)降木矸e和pooling，相比只使用 max-pooling 來說，可以更好的聚合更多的context信息。
• 在最后一個(gè) refinement，作者使用原始圖作為輸入，經(jīng)過了3個(gè)RCU，提升了部分效果。

四、效果

總結(jié)

以上是生活随笔為你收集整理的【边缘检测】RCN：Object Contour and Edge Detection with RefineContourNet的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。