![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
边缘检测
文章平均质量分 88
Jiazhou_garland
这个作者很懒,什么都没留下…
展开
-
【论文阅读】2021-(Pidinet)Pixel Difference Networks for Efficient Edge Detection
文章目录摘要1. Introduction摘要motivations:基于CNN的边缘检测的高性能是通过一个大的预训练CNN主干来实现的,该主干占用大量内存和能量。传统边缘检测器(如Canny、Sobel和LBP)很少被研究。contributions:提出了一种简单、轻量级但有效的架构,称为像素差分网络(PiDiNet),用于有效的边缘检测。PiDiNet采用了新颖的像素差卷积,将传统的边缘检测算子集成到现代CNN中流行的卷积运算中,以增强任务性能。experiments:在BSDS500原创 2021-11-22 17:33:02 · 9465 阅读 · 4 评论 -
边缘检测的评价指标:PR曲线,OIS,ODS,AP的计算与代码实现
文章目录一、Precision(精确率)与Recall(召回率)二、PR曲线:精确率——召回率曲线三、 OIS、ODS、AP的计算参考博客:1、2参考代码:HED的源码、画PR曲线一、Precision(精确率)与Recall(召回率)目标检测:Precision(精确率):预测为正例的结果中有多少是真的正例。强调预测的准确性。Recall(召回率):所有真的正例中有多少被预测为正例。强调把多少真正的正例召唤回来。边缘检测中:Precision(精确率):在边缘检测中精确率原创 2021-06-23 15:49:37 · 16512 阅读 · 48 评论 -
【论文阅读】图像分割损失函数Segmentation loss odyssey
本文参考文献:Ma, J. (2020). Segmentation loss odyssey. arXiv preprint arXiv:2005.13449.其它参考网址文中提到的损失函数的pytorch实现文章目录1.基于分布的损失函数1.1 交叉熵(CE)1.2 加权交叉熵(WCE)1.3 TopKloss1.4 Focal loss1.5 Distance map penalized cross entropy loss (DPCE)2. 基于区域的损失函数2.1 Sensitivity-s原创 2021-07-12 16:12:56 · 3050 阅读 · 2 评论 -
【论文阅读】DeepEdge: A Multi-Scale Bifurcated Deep Network for Top-Down Contour Detection(2015)
Bertasius, G., Shi, J., & Torresani, L. (2015). Deepedge: A multi-scale bifurcated deep network for top-down contour detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4380-4389).论文链接代码链接文章目录1.模型结构1.1 单原创 2021-06-30 16:41:06 · 1646 阅读 · 1 评论 -
【论文阅读】Deep crisp boundaries(2017)
原文链接原文代码Wang, Y., Zhao, X., & Huang, K. (2017). Deep crisp boundaries. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 3892-3900).文章目录摘要1.介绍2. CovNet里的厚边缘3. 网络结构4. 结果4.1消融实验4.2 PR曲线4.3 定量结果4.4直观结果4.5 maximal pe原创 2021-06-30 11:46:23 · 574 阅读 · 0 评论 -
【论文阅读】CASENet: Deep Category-Aware Semantic Edge Detection(2017)
【原文链接】【原文代码】Yu, Z., Feng, C., Liu, M. Y., & Ramalingam, S. (2017). Casenet: Deep category-aware semantic edge detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 5964-5973).文章目录摘要1. 引言2. 模型2.1 基础模型2.2 深度监原创 2021-06-28 21:21:36 · 461 阅读 · 0 评论 -
【论文阅读】Learning Deep Structured Multi-Scale Features using Attention-Gated CRFs(2017)
Xu, D., Ouyang, W., Alameda-Pineda, X., Ricci, E., Wang, X., & Sebe, N. (2018). Learning deep structured multi-scale features using attention-gated crfs for contour prediction. arXiv preprint arXiv:1801.00524.原文链接原文代码文章目录摘要1. 介绍2. 模型2.1 问题定义与符号说明2.2原创 2021-06-28 09:34:24 · 521 阅读 · 0 评论 -
【论文阅读】Richer Convolutional Features for Edge Detection(2017)
Liu, Y., Cheng, M. M., Hu, X., Wang, K., & Bai, X. (2017). Richer convolutional features for edge detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3000-3009).原文地址代码地址文章目录摘要模型1.模型结构2.损失函数测试时的多尺度融合技巧结果原创 2021-06-25 17:28:33 · 429 阅读 · 1 评论 -
【论文阅读】Object Contour and Edge Detection with RefineContourNet(2019)
原文链接文章目录摘要1. 模型1.1 模型选择&设计概念1.2 网络结构摘要提出一个基于ResNet多路径细化的CNN模型用于轮廓检测。此模型很好的利用了ResNet的高级特征抽象能力,基于特定的顺序融合高级、中级、低级特征,即从高级特征一层一层融合至最底层的特征。在 refined PASCAL-val数据集上ODS为0.752;在 BSDS500 dataset上ODS为0.824。1. 模型1.1 模型选择&设计概念对于轮廓检测,最重要的是模型的高级语义特征提取能力原创 2021-06-25 15:32:51 · 318 阅读 · 0 评论 -
【论文阅读】Bi-Directional Cascade Network for Perceptual Edge Detection(2019)
论文地址代码地址He, J., Zhang, S., Yang, M., Shan, Y., & Huang, T. (2019). Bi-directional cascade network for perceptual edge detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 3828-3837)文章目录摘要1. 介绍2. 模型2.1原创 2021-06-24 23:00:50 · 757 阅读 · 2 评论 -
【论文阅读】Dense Extreme Inception Network: Towards a Robust CNN Model for Edge Detection(2020)
原文链接代码与数据集github网址Poma, X. S., Riba, E., & Sappa, A. (2020). Dense extreme inception network: Towards a robust cnn model for edge detection. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (pp. 1923-1932).文章目录一、摘要原创 2021-06-24 15:43:21 · 3588 阅读 · 1 评论 -
利用labelme创建边缘检测数据集(安装与使用)
利用labelme创建边缘检测数据集(安装与使用)第一步:安装Ananconda第二步:创建环境,安装labelme以及相关依赖库第三步:用labeleme做岩石颗粒的边缘标记第一步:安装Ananconda这个很简单,百度搜索官网下载安装就可以具体可以参考博客的第一部分:博客地址第二步:创建环境,安装labelme以及相关依赖库视频教程:视频地址其中涉及的命令行指令如下,方便大家复制粘贴:1. conda create --name=labelme python=3.62. conda a原创 2021-05-09 10:58:33 · 4950 阅读 · 3 评论