【边缘检测】BDCN:Bi-Directional Cascade Network for Perceptual Edge Detection

CVPR 2019
Bi-Directional Cascade Network for Perceptual Edge Detection
github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

现有方法的问题:

  • 上述那两种方式训练的话,每层都使用相同的监督信息并非最优的方法
  • 还有一种方法[31] 使用不同尺度的 canny 算子来弱化中间层的监督,但该方法只是使用了人眼选择的特定尺度而已

动机:为了更加全面的探索多尺度信息

做法:本文提出了

  • Scale Enhancement Module(SEM):由多个并行的不同膨胀率的卷积组成的模块
  • Bi-Direction Cascade Network:该网络用来实现高效的特定类别边界学习
    在 BDCN 的每层中,其特定的监督是由 bi-directional 结构来实现的,该结构把与其相邻的上层和下层的输出进行传送,也就是BDCN的每一层都是使用增量式的方式来预测
    BDCN组成方式:将SEM嵌入VGG-type的block中
    【边缘检测】BDCN:Bi-Directional Cascade Network for Perceptual Edge Detection_第1张图片

【边缘检测】BDCN:Bi-Directional Cascade Network for Perceptual Edge Detection_第2张图片

由图4可以看出,不同ID Block检测出的边缘不同,越浅的 block 检测出的越细致,越深的 block 检测出的越大尺度。

你可能感兴趣的