【论文阅读】Deep crisp boundaries（2017）

论文阅读】Deep crisp boundaries（2017）"/>

【论文阅读】Deep crisp boundaries（2017）

原文链接
原文代码
Wang, Y., Zhao, X., & Huang, K. (2017). Deep crisp boundaries. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 3892-3900).

文章目录

• 摘要
• 1.介绍
• 2. CovNet里的厚边缘
• 3. 网络结构
• 4. 结果
• • 4.1消融实验
  • 4.2 PR曲线
  • 4.3 定量结果
  • 4.4直观结果
  • 4.5 maximal permissible distance d
• 小结

摘要

• 设计了一种能够输出较细边缘的边缘检测网络，该方法利用自顶向下的向后细化路径，并逐步提高特征图的分辨率以生成清晰的边缘。
• 在BSDS500上取得超过人眼的成绩，是当时SOTA的模型。

1.介绍

• 准确的边缘检测器必须在边缘的“正确性”（区分边缘和非边缘像素）和边界的“清晰性”（crispness）（精确定位边缘像素）之间取得平衡。
• 定性和定量的结果都表明，ConvNet的边缘映射是高度“正确”的，但不太“清晰”——边缘没有很好的局部化。这是因为：①在更具辨别力的顶层，特征的空间分辨率急剧降低，导致边缘输出模糊。②全卷积结构鼓励相邻像素有类似响应（由双线性插值上采样导致），因此可能无法生成薄边缘映射。
• 本文贡献：①对ConvNet中的边缘图进行了系统的研究。结果表明，ConvNet在边缘像素分类方面有很好的优势，但定位能力较差；②我们将细化方案与亚像素卷积结合起来，形成了一种新的结构，专门用于学习清晰的边缘检测器；③在BSDS500上的结果在所有匹配距离上都优于SOTA的结果。我们还表明，清晰的边缘映射可以提高光流估计和目标生成。

2. CovNet里的厚边缘

为什么HED产生较厚边缘但评价指标依旧很好呢？

标准评估迭代所有置信阈值，并使用二部图来匹配二值化边缘映射到真值边缘的距离。

匹配由最大允许距离d控制。一个未对齐的边缘像素只要它的距离最近的真值小于d，仍然被认为是正确的。

因此使用较大的d，即使边缘有轻微的移动，也可以得到一个很好的分数。

3. 网络结构

其它的都很好懂，这里唯一需要注意的是，上采样利用sub-pixel convolution，作者在文章中说这种上采样方式能更好的定位边缘位置。
那么什么是sub-pixel convolution呢？
请参考这篇文章

4. 结果

4.1消融实验

4.2 PR曲线

4.3 定量结果

4.4直观结果

4.5 maximal permissible distance d

小结