HED（Holistically-nested Edge Detection）是一种使用深度学习进行端到端边缘检测的方法，它在VGG网络基础上增加side outputs。网络通过多尺度和多级别的学习，利用Deep supervision提高精度。HED的每个side output对应不同尺度的边缘，并通过融合获得最终输出。Deep supervision有助于逐步改进side output的质量，从而提升整体边缘检测效果。
Holistically-nested Edge Detection （以下简称HED）
HED通过深度学习网络实现边缘检测，网络主要有以下两个特点
Holistically：指端到端（end-to-end 或者image-to-image）的学习方式，也就是说，网络的输入为原图，输出为边缘检测得到的二值化图像。
Nested：意思是嵌套的。在论文中指，在每层卷积层后输出该层的结果（responses produced at hidden layers ），这个结果在论文中称为side outputs。不同隐藏层的Side output尺度不同，而且，HED不止要求最后输出的边缘图像好，也要求各side output的结果要好，即学习对象是最终的输出和各Side outputs（参考后面损失函数部分）。因此，论文中称HED学习网络是multi-scale and multi-level。可参考HED的网络结构理解，如下图。
- 网络结构:
图1 HED网络结构 图2 网络结构简单图示（方框是Input Data,论文写错了）
如上面图中所示，HED是在VGG网络基础上改造的，卷积层后添加side output。网络层次越深，卷积核越大，side output越小，最终的输出是对多个side output特征的融合
最低0.47元/天 解锁文章
416
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
