文章目錄

• • • 一、背景
    • 二、網(wǎng)絡(luò)結(jié)構(gòu)
    • 三、和 HED[16] 的不同

一、背景

邊緣檢測是視覺任務(wù)中非常基礎(chǔ)的任務(wù)，現(xiàn)有的基于CNN的邊緣檢測方法有兩個(gè)明顯的問題：

• 現(xiàn)有的方法大多只使用CNN的最后一層conv的結(jié)果，忽略了中間層的結(jié)果
• 更多的方法集中在探究更深的CNN，但邊緣檢測是數(shù)據(jù)比較少，而且容易發(fā)生梯度消失的現(xiàn)象

本文的出發(fā)點(diǎn)如下圖所示，不同卷積層獲得的結(jié)果隨著深度增加而更加粗糙

本文motivation：充分使用所有CNN層的結(jié)果

提出的方法：richer convolutional features (RCF)

二、網(wǎng)絡(luò)結(jié)構(gòu)

使用訓(xùn)練好的模型對單張圖的輸出進(jìn)行可視化：

result是一個(gè)長度為6的list，list中0-4儲存每層的輸出經(jīng)過上采樣后的結(jié)果，5存儲前5個(gè)特征圖經(jīng)過1x1卷積進(jìn)行通道壓縮后的結(jié)果。

將上面的5組特征圖經(jīng)過卷積后，壓縮成為一個(gè)通道，作為最終的輸出邊緣結(jié)果。

回顧VGG16:

正負(fù)樣本區(qū)分方式：

作者對多個(gè)標(biāo)注人員的標(biāo)注結(jié)果進(jìn)行平均來得到最終使用的標(biāo)注結(jié)果（edge probability)，其結(jié)果是 0~1 間的數(shù)值。

• 0：表示沒有標(biāo)注人員標(biāo)注的像素
• 1：表示所有標(biāo)注人員都進(jìn)行了標(biāo)注

作者定義了一個(gè)參數(shù) $\eta$：

• 當(dāng)平均后的結(jié)果大于 $\eta$ 時(shí)——正樣本
• 當(dāng)結(jié)果為0時(shí)——負(fù)樣本
• 其他的像素結(jié)果——忽略

每個(gè)像素的loss計(jì)算如下：

總loss計(jì)算如下：

三、和 HED[16] 的不同

1、HED 只使用了VGG16每個(gè)stage的最后一層卷積，RCF使用了每個(gè)layer的卷積結(jié)果，可以捕捉更多的邊界信息
2、本文提出的loss和正負(fù)樣本的定義方式和HED不同，HED把小于 $\eta$ 的所有像素點(diǎn)都當(dāng)做負(fù)樣本，這樣就會導(dǎo)致網(wǎng)絡(luò)混淆，因?yàn)檫@也并非一定是非邊遠(yuǎn)點(diǎn)。
3、本文使用多尺度測試

總結(jié)

以上是生活随笔為你收集整理的【边缘检测】RCF: Richer Convolutional Features for Edge Detection的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。