Dense Extreme Inception Network Towards a Robust CNN Model for Edge Detection

最新推荐文章于 2024-04-21 01:22:50 发布

VIP文章 Action_now_z

最新推荐文章于 2024-04-21 01:22:50 发布

阅读量912

点赞数

分类专栏：边缘检测文章标签：深度学习

本文链接：https://blog.csdn.net/Action_now_zj/article/details/119972848

版权

Xception

dexiNed

DexiNed可以看作是两个子网络构成：Dexi和UB.
- Dexi网络有6个主要块的编码器组成，借鉴Xception，蓝色块有两个卷积层组成，3×3卷积核——BN——ReLU(除了最后子块中的最后一个卷积无)，max-pooling也是核大小为3×3，stride为2.整个结构同样遵循多尺度，相应也会有上采样过程。
- 和Xception不同点：
  - 本文使用标准卷积，最后输出是二维的，取消“Exit flow”，而是在第5块后添加了另一个块（第5，6块无max-pooling，第6块有256个filters，第4，5块设置512个filters，不是728个）
  - 本文有两种跳跃连接，顶部和底部的绿色矩形。为什么提出底部的绿色矩形？由于进行了很多卷积，每个深度块都损失了重要的边缘特征，只有一个主连接是不够的，从第四卷积层边缘特征损失更混乱。因此，从第3块开始，对每个子块的输出进行边连接平均(图

关注