本文详细解析Holistically-Nested Edge Detection（HED）论文，介绍了其基于整个图像的训练预测、多尺度特征学习、FCN和VGG改进的网络架构。HED通过多个side output融合解决边缘和物体边界的模糊性，网络结构包括multi-stream、skip-layer、single model on multiple inputs等多种形式。在预测阶段，可通过所有层的输出求平均提高精度。
论文全称：Holistically-Nested Edge Detection
亮点
1、基于整个图像的训练和预测
2、多尺度和多水平的特征学习
3、基于FCN和VGG 改进
4、通过多个side output输出不同scale的边缘，然后通过一个训练的权重融合函数得到最终的边缘输出。可以solve edge 和物体boundaries的ambiguity
检测效果
算法结构
作者提出的holistically-nested方法，主要通过几种不同的多尺度深度学习下的结构进行对比说明。在多尺度方面，有更加内部网络形成的多尺度，和外部网络形成的多尺度。前者是学习神经网络里不同层由于降采样的不同得到的不同尺度特征，结合形成多尺度，后者是通过对输入图像的尺度处理时的多尺度，获得不同尺度信息。作者将具体多尺度下的深度学习分为四种，如下图。
（a）Multi-stream learning 示意图，可以看到图中的平行的网络下，输入是同时输进去，经过不同路的network之后，再连接到一个global out layer得到输出
最低0.47元/天 解锁文章
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
