读书笔记：Bi-Directional Cascade Network for Perceptual Edge Detection-优快云博客

本文链接：https://blog.youkuaiyun.com/versionwen/article/details/102802134

本文介绍了全向级联网络（BDCN）在解决多尺度边缘检测问题上的创新方法。BDCN通过特定尺度的监督学习和尺度增强模块（SEM）生成多尺度特征，以提高边缘检测的准确性。网络结构避免了深层神经网络带来的复杂性和冗余计算，通过双向级联结构和优化的损失函数实现不同尺度边缘的精确检测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

摘要

利用多尺度表示对于提高不同尺度对象的边缘检测至关重要。为了利用多尺度提取边缘，我们提出了一种全向级联网络（BDCN）结构，在该结构中，单个层由具有特定比例的标记边缘进行监督，而不是直接对所有CNN输出应用相同的监督。此外，为了丰富BDCN，我们引入了acale增强模块（SEM），以生成多尺度特征，而不是使用更深的CNN。这种新方法鼓励学习不同层中的多尺度表示，并检测其边缘，并按多尺度描绘边缘。该算法可以生成多尺度特征，而不是使用更深的CNN。它还可以生成具有分数参数的紧凑网络。

1.介绍

边界检查的目标在于提取对象的边界，保留图像的边界信息，忽略不重要的东西，现在有很多方法确实做得很好了，但是也有很多问题需要去研究，比如

，

一个人的边缘，手部的轮廓和头部的轮廓尺度就不一样，手弯弯曲曲很小，这样的边缘很难学习；但头部或者身体，就很宽很大，很好学习。那么如何解决多尺度问题就是边缘提取的重点。为了解决这个问题有人有人使用超深层神经网络结构，但是带来了大规模参数训练困难、耗时多、成本高的问题，有人采用图像金字塔与多级特征融合的方法，同时带来了冗余计算的问题。除网络结构问题外，还有训练策略的问题，在一定程度上都影响了最终的准确率。为了解决这些问题，作者就提出了一种双向的(bi-directional)级联网络结构，每个层的输出都被一个特定尺度的边缘label监督，这个特定尺度是网络自身学习到的。为了增强每个层输出的特征，使用类似ASPP结构的SEM模块产生多尺度特征。最后的输出是很多多尺度特征的融合。

2.相关工作

3.方法

3.1公式

由于分辨尺度的不同，将结果集Y分为S个部分，那么，人为的找到分辨率的尺度明显不现实，作者提出了用深度神经网络自己学习特定层的特定尺度，规定Ns是第S个卷积层的输出特征图，Ds是用于提取Ns的边缘的，Ps=Ds(Ns)，那么第S层的损失函数为，那么问题来了，Ys怎么求，作者提出了一种可能的解，那就是用结果集Y和除第s层以外的所预测的结果来求近似解，其公式为，但是，这个公式好像也有点毛病，作者指出根据，对任意的s，损失L对Ps求导都相等，即