Jun, 2023

深入研究清晰度：引导标签完善用于清晰边缘检测

PDF
TL;DR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。
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

  • 学习预测清晰的边界

    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

  • 边缘乃魔鬼：从嘈杂标注中学习语义边界

    本文提出了一种新的网络层和损失函数，用于退化标注数据并从中学习到尖锐、精确的语义边界，通过实验证明相较于已有方法，其能够显著地改善语义边界检测效果并提高粗分割标签的效率。

    Apr, 2019

  • 密集极端 Inception 网络：面向边缘检测的强鲁棒性 CNN 模型

    本文提出了一种基于深度学习的边缘检测器，结合了 HED 和 Xception 网络，生成适合人眼观察的细线条地图，无需先前的训练或微调。其次，作者还制作了一个大型数据集，用于对比已有的算法和训练提出的边缘检测器，实验结果表明，该方法能够提高 ODS 和 OIS 的 F - 度量值。

    Sep, 2019

  • 鲁棒协同学习的实用边缘检测

    通过开发基于协作学习的模型 PEdger，我们试图解决边缘检测中的深度学习模型计算成本大、模型尺寸大、噪声标注和不准确性等问题，并通过大量实验证明了其在准确性、速度和模型尺寸方面的优越性。

    Aug, 2023

  • 无监督学习边缘

    该论文提出了一种使用无人监督学习的方法来训练边缘检测器，通过交替改进运动估计和边缘检测算法，利用大量视频数据使得无人监督训练的边缘检测器的性能接近于有人监督训练的方法，并且该方法还可作为物体检测的预训练模式。

    Nov, 2015

  • 深度结构化预测用于像素级标注中的检测、替换和精炼

    我们提出了一种泛化的体系结构，将标签改进任务分解为检测、替换和精炼三个步骤，利用深度神经网络来精确地解决像素级图像标记问题，最终在 KITTI 2015 测试中显示出世界领先水平。

    Dec, 2016

  • SuperEdge: 自助学习边缘检测通用化模型

    边缘检测是计算机视觉各种任务中的一项基本技术，本文提出了一种新的自我监督方法用于边缘检测，通过多级、多同态变换技术将注释从合成数据集转移到真实世界数据集，并开发了 SuperEdge 模型，可同时在像素级和对象级粒度上提取边缘，相较于现有的 STEedge 方法，在 BIPEDv2 数据集上展示了 ODS 和 OIS 方面分别提高了 4.9% 和 3.3% 的边缘检测改进。

    Jan, 2024

  • 像素差异网络用于高效边缘检测

    本文提出了一种名为 PiDiNet 的简单而高效的边缘检测架构，它在 BSDS500、NYUD 和 Multicue 数据集上均表现出了较高的训练和推断效率，通过从零开始的训练，使用不到 1M 个参数，就能在 BSDS500 数据集上达到超过人类感知记录（0.807 对 0.803 的 ODS F-measure），并且具有与最先进技术相当的性能。

    Aug, 2021