呆呆的猫的博客

文章目录一、背景二、动机三、方法3.1 Light-weight backbone3.2 Line Segment Representation3.3 SoL Augmentation3.4 Learning with Geometric Information3.4.1 Matching Loss3.4.2 Junction and Line Segmentation3.4.3 Length and Degree Regression3.5 Final Loss Function四、效果4.1 数据集和测

文章目录一、背景二、网络结构三、和 HED[16] 的不同一、背景边缘检测是视觉任务中非常基础的任务，现有的基于CNN的边缘检测方法有两个明显的问题：现有的方法大多只使用CNN的最后一层conv的结果，忽略了中间层的结果更多的方法集中在探究更深的CNN，但边缘检测是数据比较少，而且容易发生梯度消失的现象本文的出发点如下图所示，不同卷积层获得的结果随着深度增加而更加粗糙本文motivation：充分使用所有CNN层的结果提出的方法：richer convolutional feature

文章目录一、背景二、动机三、方法四、效果一、背景边缘检测/轮廓检测是从图片的背景中分离出目标的轮廓和边缘。现有的基于CNN的方法：HED/CEDN/COB等，基本都是使用较深的网络结构，并利用其从imagenet预训练得来的高层分类信息问题：虽然现有的方法使用了预训练的分类网络作为backbone，但这些backbone肯定有一些没有被开发出来的能力，因为它们携带了很多高层抽象特征。二、动机三、方法1、语义信息层面对于边缘检测，传统的边缘检测方法可以检测出图像中的很多边缘，所以难点会在于如何

CVPR 2019Bi-Directional Cascade Network for Perceptual Edge Detectiongithub链接：https://github.com/pkuCactus/BDCN背景：目前的边缘分割数据集，同时标注了目标级别的轮廓和其中的细节这两大部分，这种多尺度的轮廓就意味着边缘检测需要探索多尺度的表达（multi-scale)现有工作也有较多的方法使用了多尺度：HED 和 RCF 都使用了 CNN 中的中间层，底层可以预测细节，高层可以预测全局信息