ECCVJul, 2018

学习预测清晰的边界

PDF
TL;DR本文介绍了一种新的边缘检测损失函数和一种采用自底向上 / 自顶向下分层结构的端到端边界检测网络，该网络有效地利用层次特征并生成像素精确的边界掩模，从而不需要后处理即可生成准确、锐利的边缘。实验结果表明，这种方法不仅可以促进 CNN 的视觉结果，而且在 BSDS500 数据集（ODS F - 得分为 0.815）和 NYU Depth 数据集（ODS F - 得分为 0.762）上可以实现超越最新技术水平的结果。
boundary detectiondeep convolutional neural networksimbalanced databottom-up/top-down architecturepixel-accurate boundary mask
发现论文，激发创造
  • 深入清晰的边界：从边界到更高层次的任务

    本研究通过系统性分析表明使用基于卷积神经网络的边缘检测器的检测结果并未正确定位边缘像素，通过一种新的优化架构，使用自上而下的反向优化路径对特征图进行逐步加精，本研究获得了比人类更准确的性能表现，在计算机视觉中的多个重要应用中取得了较好效果，尤其是在语义分割这一应用领域表现突出。

    Jan, 2018

  • 利用梯度信息学习实现清晰边缘检测

    本文介绍了一种有效解决边缘检测中生成粗糙模糊边缘线的方法，该方法利用轻量级预训练主干网络、多尺度上下文信息聚合模块 (MCGI)、边界校正模块 (BCM) 和边界优化模块 (BRM) 来改善边缘图像的视觉效果，并通过基于 Tversky 指数的混合损失函数解决像素分布不平衡的问题。在三个标准基准数据集上进行实验，结果表明该方法在 BSDS500、NYUD-V2 和 BIPED 数据集上均取得了最佳性能。

    Jun, 2024

  • 边缘分类：边界检测改善语义图像分割

    通过结合语义分割和语义感知边缘检测，将类边界显式地融入模型，有效地解决了深网络在学习上下文信息时对高频细节的模糊化问题，从而显著地提高了基于卷积神经网络的语义分割准确度，该方法也在 ISPRS Vaihingen 基准测试中取得了超过 90% 的总体准确率。

    Dec, 2016

  • 深度学习推动边界检测的界限

    通过将深度卷积神经网络应用于边界检测任务，结合精心设计的损失、多分辨率架构和外部数据的训练，结合基于 Normalized Cuts 技术的聚类方法的深度学习，将边界检测的最优分割数据量的 F 测量从 0.780 提高到 0.808，成功提升了现有技术水平，并在与语义分割任务相结合的测试中表现出对现有系统的明显改进。

    Nov, 2015

  • 边界注意力：学习在任何分辨率下找到微弱的边界

    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

  • 深入研究清晰度：引导标签完善用于清晰边缘检测

    本文提出了一种基于 Canny-guided refinement 的边缘检测方法，通过精细化的人工标注边缘并寻找最能与人工标注边缘吻合的子集 Canny 边缘来训练模型，从而使得现有的边缘检测模型能够获得更高的精确度。实验证明，使用经过 Canny-guided refinement 的边缘可以使得模型的预测结果更加清晰，相比于使用原有方法提升了 12.2% 的 ODS 和 12.6% 的 OIS。同时，本文还表明该方法具有用于光流估计和图像分割的优势。

    Jun, 2023

  • DOOBNet：图像深度目标遮挡边界检测

    本文提出了一种 Attention Loss 函数结合多任务深度对象遮挡边界检测网络，并采用编码器 - 解码器结构，通过共享卷积特征来同时预测对象边界和遮挡方向，大幅度提高了 PIOD 数据集和 BSDS 拥有数据集上的检测速度（每图像 0.037s）并显著超过了之前的最优结果（ODS F 分数分别为 0.702 和 0.555）。

    Jun, 2018

  • 边缘检测器能够使深度卷积神经网络更加稳健

    通过将边缘检测器作为层核心并设计一个二进制边缘特征分支（BEFB）来学习二进制边缘特征，结合纹理特征并将其与主干网络结合，以增强深度卷积神经网络（DCNN）的鲁棒性。实验证明，采用 BEFB 的集成模型在面对多种攻击时具有更高的分类准确性，并且具备了轻量化和不对训练造成负面影响的特点。该研究首次表明通过结合形状类特征和纹理特征可以增强 DCNN 的鲁棒性。

    Feb, 2024

  • 遥感图像语义分割的边界损失

    通过使用一种新的可微分度量替代传统分割损失函数，我们提出了一种新的分割边界检测方法，该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界，并在 ISPRS 波茨坦、INRIA AIL 等数据集上使用验证，最终的结果表明，该方法提高了 IoU 分数，优于基线方法。

    May, 2019

  • 深度对比学习用于显著性目标检测

    本文提出一种端到端的深度对比网络，通过像素级全卷积流和分段空间汇聚流两个部分相结合，最终产生精度更高，检测效果更优的显著性图，并通过实验验证其优于现有基于卷积神经网络的方法。

    Mar, 2016