Feb, 2024

边缘检测器能够使深度卷积神经网络更加稳健

PDF
TL;DR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。
deep convolutional neural networksrobustnessedge detectorsbinary edge featurestexture features
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

  • 传统方法启发的深度神经网络用于边缘检测

    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

  • 用于边缘检测的更丰富的卷积特征

    该研究提出了一种准确的边缘检测器，利用丰富的卷积特征和多尺度多级信息相结合的方法达到了目标，并在计算机视觉任务中取得了最先进的结果。

    Dec, 2016

  • 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

  • EDCNN: 基于边缘增强的稠密连接网络与复合损失用于低剂量 CT 图像去噪

    该研究提出基于边缘增强的密集连接卷积神经网络（EDCNN）用于低剂量 CT 图像去噪，并引入混合损失函数以增强模型去噪效果，取得了较好的效果。

    Oct, 2020

  • 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

  • DeepEdge: 多尺度分叉深度网络用于自顶向下轮廓检测

    本文提出了一种利用目标相关特征进行轮廓检测的多尺度深度网络，取得了当前最先进的轮廓检测效果。

    Dec, 2014

  • BEFUnet: 用于精确医学图像分割的混合 CNN-Transformer 架构

    本文提出了一种名为 BEFUnet 的创新 U 形网络，它通过增强融合身体和边缘信息来实现精确的医学图像分割，该方法在医学图像分割数据集上显示出优于现有方法的卓越性能。

    Feb, 2024