文章目錄

• • • 一、背景
    • 二、網絡結構
    • 三、和 HED[16] 的不同

一、背景

邊緣檢測是視覺任務中非常基礎的任務，現有的基于CNN的邊緣檢測方法有兩個明顯的問題：

• 現有的方法大多只使用CNN的最后一層conv的結果，忽略了中間層的結果
• 更多的方法集中在探究更深的CNN，但邊緣檢測是數據比較少，而且容易發生梯度消失的現象

本文的出發點如下圖所示，不同卷積層獲得的結果隨著深度增加而更加粗糙

本文motivation：充分使用所有CNN層的結果

提出的方法：richer convolutional features (RCF)

二、網絡結構

使用訓練好的模型對單張圖的輸出進行可視化：

result是一個長度為6的list，list中0-4儲存每層的輸出經過上采樣后的結果，5存儲前5個特征圖經過1x1卷積進行通道壓縮后的結果。

將上面的5組特征圖經過卷積后，壓縮成為一個通道，作為最終的輸出邊緣結果。

回顧VGG16:

正負樣本區分方式：

作者對多個標注人員的標注結果進行平均來得到最終使用的標注結果（edge probability)，其結果是 0~1 間的數值。

• 0：表示沒有標注人員標注的像素
• 1：表示所有標注人員都進行了標注

作者定義了一個參數 $\eta$：

• 當平均后的結果大于 $\eta$ 時——正樣本
• 當結果為0時——負樣本
• 其他的像素結果——忽略

每個像素的loss計算如下：

總loss計算如下：

三、和 HED[16] 的不同

1、HED 只使用了VGG16每個stage的最后一層卷積，RCF使用了每個layer的卷積結果，可以捕捉更多的邊界信息
2、本文提出的loss和正負樣本的定義方式和HED不同，HED把小于 $\eta$ 的所有像素點都當做負樣本，這樣就會導致網絡混淆，因為這也并非一定是非邊遠點。
3、本文使用多尺度測試

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。