【论文阅读】DeepEdge: A Multi-Scale Bifurcated Deep Network for Top-Down Contour Detection（2015）

论文阅读】DeepEdge: A Multi-Scale Bifurcated Deep Network for Top-Down Contour Detection（2015）"/>

【论文阅读】DeepEdge: A Multi-Scale Bifurcated Deep Network for Top-Down Contour Detection（2015）

Bertasius, G., Shi, J., & Torresani, L. (2015). Deepedge: A multi-scale bifurcated deep network for top-down contour detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4380-4389).
论文链接
代码链接

文章目录

• 1.模型结构
• • 1.1 单一尺度模型
  • 1.2 多尺度网络
• 2.结果
• • 2.1 量化结果
  • 2.2 消融实验
  • 2.3 直观结果
  • 2.4 PR曲线
• 小结

1.模型结构

1.1 单一尺度模型

• 输入图过canny算子产生候选点，即canny算子判断为边缘的记为候选点，进行下一步优化。
• 首先，一个以候选点为中心的输入块输入5层的卷积网络Knet。
• 为了提取高级特征，在每个卷积层输出，我们围绕中心点提取特征图的一个小的子特征图，并在其上执行max、average和center pooling。池化的值喂给下层的全连接层
• 在测试时，平均5个全连接层的输出，以产生最终的轮廓预测。

1.2 多尺度网络

• 运行Canny边缘检测器提取候选轮廓点，即canny算子判断为边缘的记为候选点，进行下一步优化。
• 围绕每个候选点，我们提取四个不同尺度的补丁，同时运行它们通过五卷积层的Knet网络
• 输出被用于连接到两个单独训练的网络分支。第一个分支被训练用于分类，而第二个分支被训练为回归器。
• 在测试时，对这两个子网络的标量输出进行平均，得到最终的分数。

2.结果

2.1 量化结果

2.2 消融实验

2.3 直观结果

2.4 PR曲线

小结

这篇文章产生于2015，所以网络结构简单。相当于对canny算子生成的边缘图进行二次加工，秒杀传统手工设计特征提取的算法，自然取得SOTA的成绩。它作对了以下两件事：

1. 利用神经网络进行特征提取
2. 探究多尺度对于边缘检测任务的重要性并设计了相关模块