Jan, 2024

SuperEdge: 自助学习边缘检测通用化模型

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 全局嵌套边缘检测

    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

  • SuperPoint: 自监督兴趣点检测与描述

    本文提出了一种自监督框架，用于训练适用于计算机视觉中大量多视图几何问题的兴趣点检测器和描述符。通过引入多尺度、多单应性方法的 Homographic Adaptation，我们的模型通过训练于 MS-COCO 数据集，能够相对于其他传统角点检测器和深度模型，检测到更丰富的兴趣点，并在 HPatches 上取得了最先进的单应性估计结果。

    Dec, 2017

  • 边缘检测泛化的小型高效模型

    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

  • 具有多样深度监督的语义边缘检测

    本篇论文提出了一种用于语义边缘检测的卷积神经网络，使用多种深度监督的方式对分类不可知和分类可知的边缘进行单独识别以实现更好的结果，并引入信息转换单元以解决监督挑战。

    Apr, 2018

  • SuperDepth: 自监督、超分辨率单目深度估计

    本篇论文提出了一种基于子像素卷积层和翻转增强层的高分辨率自监督单目深度估计方法，在公共 KITTI 基准测试中取得了目前最好表现。

    Oct, 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

  • EdgeStereo：用于立体匹配和边缘检测的有效多任务学习网络

    深度立体匹配网络结合边缘检测网络，构成一种多任务学习网络，其中边缘线索提供了出色的线索，以实现细节区域的视差估计精度的提高，并获得 state-of-the-art 的表现。

    Mar, 2019

  • 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