【边缘检测】BDCN：Bi-Directional Cascade Network for Perceptual Edge Detection

CVPR 2019
Bi-Directional Cascade Network for Perceptual Edge Detection
github链接：https://github.com/pkuCactus/BDCN

背景：目前的边缘分割数据集，同时标注了目标级别的轮廓和其中的细节这两大部分，这种多尺度的轮廓就意味着边缘检测需要探索多尺度的表达（multi-scale)

现有工作也有较多的方法使用了多尺度：

• HED 和 RCF 都使用了 CNN 中的中间层，底层可以预测细节，高层可以预测全局信息

现有方法的问题：

• 上述那两种方式训练的话，每层都使用相同的监督信息并非最优的方法
• 还有一种方法[31] 使用不同尺度的 canny 算子来弱化中间层的监督，但该方法只是使用了人眼选择的特定尺度而已

动机：为了更加全面的探索多尺度信息

做法：本文提出了

• Scale Enhancement Module（SEM)：由多个并行的不同膨胀率的卷积组成的模块
• Bi-Direction Cascade Network：该网络用来实现高效的特定类别边界学习
  在 BDCN 的每层中，其特定的监督是由 bi-directional 结构来实现的，该结构把与其相邻的上层和下层的输出进行传送，也就是BDCN的每一层都是使用增量式的方式来预测
  BDCN组成方式：将SEM嵌入VGG-type的block中
  

由图4可以看出，不同ID Block检测出的边缘不同，越浅的 block 检测出的越细致，越深的 block 检测出的越大尺度。