像素差异网络用于高效边缘检测
提出两种新型卷积方法 Pixel Difference Convolution(PDC)和 Binary PDC(Bi-PDC),以及两个轻量级深度网络 PiDiNet 和 Bi-PiDiNet 用于视觉任务,如边缘检测和目标识别。在 BSDS500、ImageNet、LFW 和 YTF 等数据集上进行的广泛实验表明,PiDiNet 和 Bi-PiDiNet 在准确性和效率之间取得了最佳的平衡。对于边缘检测,PiDiNet 是第一个可以在没有 ImageNet 的情况下进行训练的网络,在 BSDS500 上以 100 FPS 和小于 1M 参数实现了与人类水平相当的性能。对于目标识别,Bi-PiDiNet 在现有的二进制 DNN 中取得了最佳准确性,并在 ResNet18 上将计算成本减少了近 2 倍。
Feb, 2024
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
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。
Jul, 2018
通过 Tiny and Efficient Edge Detector (TEED) 这个轻型的卷积神经网络模型,以低于 0.2% 的参数量及训练时间(少于 30 分钟)实现了高质量、高效率、泛化能力强的边缘检测。
Aug, 2023
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
提出了一种传统方法启发框架来以最小的复杂度产生良好的边缘,并建立了 TIN2 模型,其准确性高于最近的 BDCN2 模型但模型更小,该模型采用特征提取器,强化和汇总器,相当于传统边缘检测方案中的梯度,低通滤波器和像素连接。
May, 2020
本研究提出了一种新型的像素间隔下采样网络(PID-Net),用于高精度的密集微小物体(酵母细胞)计数任务,并通过在评估中使用几种经典分割度量标准和计数度量标准,证明了该网络的最佳性能和潜力。
Apr, 2022
本研究基于动态 AoI 所捕获的视频帧,使用一种新颖高效的神经网络 PIDNet 进行行人入侵检测的多任务处理。实验结果表明,PIDNet 在该领域首次建立的基准数据集上,可以达到 67.1% 的准确率和 9.6 fps 的推理速度,为未来基于视觉的动态 PID 研究提供了良好的基准。
Sep, 2020
本文提出了一种新的参数化方法,使用 Scale-Space 矩阵存储每个点周围不同尺度的重建形状的微分信息,从而提供了足够的信息,使得一个充分的神经网络能够学习边缘,并在获取的点云中高效地检测它们。之后,我们提出了一种新的轻量级神经网络结构,其在学习时间、处理时间和分类能力方面均优于 CNN,具有紧凑结构、需要较少的学习集、训练速度非常快且可以在几秒钟内对数百万个点进行分类。
Nov, 2020