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:
- 利用神经网络进行特征提取
- 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
更多推荐
【论文阅读】DeepEdge: A Multi-Scale Bifurcated Deep Network for Top-Down Contour Detec
发布评论