本文提出了一种借助于本地图像块中的结构学习精确且高效的边缘检测器。基于随机决策森林的结构学习框架，本文的新方法将结构标签映射到离散空间上。利用该方法，在 BSDS500 分割数据集和 NYU 深度数据集上实现了最先进的边缘检测表现，同时达到了比许多竞争对手先进得多的实时性能，证明该方法具备通用性和实用性。

Jun, 2014

本研究提出了基于 CNN 的 Convolutional Oriented Boundaries (COB) 算法，实现图像多尺度的边缘检测和分层分割。该算法具有较高的计算效率和泛化能力，并在多个数据集上取得了最优表现。

Aug, 2016

Boundary Forest (BF) 算法是一个新型的基于实例的学习算法，可用于监督和无监督学习，其中通过构建树的森林来存储先前的实例，以实现增量更新，因此适用于实时应用程序，训练时间复杂度为 O (DNlog (N))，测试为 O (Dlog (N))

May, 2015

本文提出了一种名为 Convolutional Oriented Boundaries (COB) 的方法，该方法通过图像分类卷积神经网络（CNNs）产生多尺度的定向轮廓和区域层次结构，其具有高效的计算性能和显著的识别性能，并且泛化性能也很好。我们在多个数据集上验证了 COB 的性能，并通过与不同任务的结合，如目标提议，语义轮廓，语义分割和目标检测等，证明 COB 在提高多种任务的性能方面也具有良好的效果。

Jan, 2017

我们提出了一个可微分模型，用于明确地建模边界，包括轮廓、角点和交叉点，并使用我们称之为边界注意力的新机制。我们展示了即使边界信号非常弱或被噪声淹没，我们的模型也能提供准确的结果。与找到微弱边界的先前经典方法相比，我们的模型具有可微的优势，适用于更大的图像，并自动适应图像每个部分的适当几何细节水平。与通过端到端训练找到边界的先前深度方法相比，它具有提供亚像素精度、更具噪声鲁棒性以及能够以原生分辨率和长宽比处理任何图像的优势。

Jan, 2024

提出了一种针对航拍图像中目标识别的方法，使用基于关键点的检测器检测目标的中心点，进而回归边界感知向量以捕获定向边界框，通过旋转边界框分类实现在所有方向上的目标检测，并通过实验证明优于基线方法，与现有方法相比具有竞争优势。

Aug, 2020

在遥感领域，我们提出了一种基于边缘梯度的独特损失函数，通过此函数解决了定向物体检测中面临的非可微性和梯度向量对齐的问题，并设计了一个基于边缘的自注意力模块，通过这两个创新，我们在 DOTA 数据集上实现了 1.3% 的 mAP 提升。

Sep, 2023

使用深度学习模型，通过全卷积神经网络和深度监督网络技术实现图像到图像的预测，提出一种全局学习和多尺度特征学习的新型边缘检测算法 (HED)，在 BSD500 和 NYU Depth 数据集上较以前的基于卷积神经网络的边缘检测算法拥有更快的速度 (平均 0.4 秒每张图像).

Apr, 2015

该研究提出了一种有效的特征转换方法，该方法可以在计算成本的大幅降低的情况下，优于原始特征进行施工的正交决策树，并可用于快速坚硬物体检测。在 Caltech 行人数据集上的结果显示，该方法有效减少了假阳性，显著提高了检测精度。

Jun, 2014

本文提出的潜类 Hough 森林算法可用于高度混杂和遮挡场景下的目标检测和六自由度姿态估计，通过模板匹配特征和新颖的基于模板的分裂函数来改进回归森林，提供了准确的前景遮挡、背景杂波估计和更好的检测率，同时还可以提供准确的遮挡感知分割掩模。

Feb, 2016