Aug, 2023

细粒度边缘检测通过学习因果标记

PDF
TL;DR通过使用两阶段的基于 Transformer 的网络，我们通过全局感知机制并利用注意力机制来解决细粒度边缘检测任务中的三个限制，在预测一般性边缘和细粒度边缘之间保持一致性，并在公开基准测试中取得了新的最先进结果。
fine-grained edge detectionmulti-scale convolutional networkstransformer-based networkattention mechanismedge aggregation and alignment loss
发现论文，激发创造
  • EDTER: 基于 Transformer 的边缘检测

    本文介绍了一种基于 transformer 的边缘检测器，利用全局上下文信息和详细的局部线索同时提取清晰和清晰的物体边界和有意义的边缘，表现比现有技术更优秀。

    Mar, 2022

  • 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

  • CASENet: 深度类别感知语义边缘检测

    本文提出了一种基于 ResNet 和新的 skip-layer 架构的端到端深度语义边缘学习体系结构，来解决类别感知的多标签问题， 它将边缘像素与两个或多个语义类别相关联，以捕捉轮廓或接合处的语义信息，并且采用多标签损失函数监督融合活性度， 在 SBD 和 Cityscapes 等标准数据集上，我们证明了该方法尤其有效，超越了当前最先进的语义边缘检测方法。

    May, 2017

  • 单张图像反射消除和图像平滑通用深度架构

    本文提出了一种深度神经网络结构，利用边缘信息解决图像分割和图像滤波等代表性的低级视觉任务，通过估计边缘和重建图像，采用级联卷积层排列的方法解决这些具有挑战性的问题，而无需使用专门的手工或应用程序特定的图像处理组件，并将得到的可转移管道应用于两个对边缘敏感的问题领域，单张图像反射去除和图像平滑。

    Aug, 2017

  • C2FTrans: 用于医学图像分割的粗 - 细双向变换器

    本文提出了一种新颖的多尺度架构 C2FTrans，它将医学图像分割形式化为粗 - 细过程。其中包含了一个跨尺度全局 Transformer 和一个边界感知局部 Transformer，能够在保持精细的同时降低计算复杂度，并在三个公共数据集上展现了超过现有 CNN 和基于 Transformer 的方法的表现。

    Jun, 2022

  • 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

  • 深度卷积神经网络中使用两级注意力模型进行细粒度图像分类的应用

    本文提出了一种使用深度神经网络应用视觉注意力于细粒度分类任务的新管道，通过整合三种类型的注意力，训练领域特定的深度网络，在弱监督约束下避免使用昂贵的注释，并在 ILSVRC2012 数据集和 CUB200_2011 数据集的子集上验证了该方法的有效性，取得了与其他方法相竞争的表现。

    Nov, 2014

  • 基于增强边缘的图卷积网络在带有句法关系的事件检测中的应用

    本文提出了一种新颖的结构 Edge-Enhanced Graph Convolution Networks（EE-GCN），它利用句法结构和类型依赖标签信息同时进行事件检测任务，充分挖掘了隐藏在依赖边缘中的线索，实验结果表明，在 ACE2005 数据集上取得了明显的改进。

    Feb, 2020

  • 同时边缘对齐和学习

    本文提出一个同时进行边缘对齐和学习的概率模型，以解决全卷积神经网络 (FCNs) 边缘学习结构脆弱容易受到标签不对齐的影响的问题，并为噪声注释提供了自动改进机制，改善了边缘检测。

    Aug, 2018