一、摘要
HED用FCN及深度监督模型来得到图像到图像的边缘检测,多尺度的边缘特征由不同层的卷积层获得。BSD500的数据集ODS F-score的精度为.746
- 整体图像训练及预测
- 多尺度、多层次的特征学习
- class-balanced_sigmoid_cross_entropy
下图是不同尺度下的预测结果,可以看出传统的检测算法如canny算子会有图像边缘不连续的问题。HED的检测效果要比Canny的效果好,这里我认为因为Canny是对像素点邻域上显著变化的点做判断的,而利用深度网络学习边缘特征的HED是有学习到图像的抽象信息的而不是像canny只是单纯对它的数字图像信息上做处理,所以在HED预测出来的边缘图片里主体与主体之间及主体和背景之间的轮廓分割清晰。
二、 Holistically-Nested Edge Detection
缺少深度监督的网络会使边缘检测精度下降,以往的基于patch-to-pixel或是pixel-to-pixel模型会降低效率。这个HED是对VGG网络做了修剪再加上深度监督来设计的。
值得一提的是,这个图像到图像的训练和预测策略仍然没有明确地使用上下文信息,因为在HED中没有直接实施对相邻像素标签的约束。