《Learning Deep Structured Multi-Scale Features using Attention-Gated CRFs for Contour Prediction》

 本博文为阅读笔记

由于最近要阅读大量的论文，仅仅以简略的方式记录论文的阅读笔记。

本文是关于（contour detection）轮廓检测

本文的两个亮点：

1、multi-scale feature generation and fusion。产生更丰富和互补的表示的hierarchical deep model（分层深层模型）

2、为了细化和牢固地融合在不同尺度上学习到的特征，本文提出一个the novel Attention-Gated Conditional Random Fields (AG-CRFs)

在传统的轮廓检测中，The ability to effectively exploit multi-scale feature representations is considered a crucial factor，（个人感觉multi scale应该在大多数任务中都有效，因为从不同的尺度下获取不一样的feature，从而使得特征更加有效地利用。

concatenation and weighted averaging are very popular strategies to combine multi-scale representations, 然而这些策略通常会增加单尺度模型的检测精度，它们严重简化了多尺度特征值之间复杂的关系。

本文的motivation基于以下问题：对于轮廓检测，是否值得建模和利用深度表示的多个尺度之间的复杂关系？作者所提出的AG-CRFs就是通过探索利用其他尺度提供的信息，在每个尺度上学习稳健的feature map表示。

 

The hierarchical network is able to learn richer multi-scale features than conventional CNNs, the representational power of which is further enhanced by the proposed AG-CRF model.