【一步一步的积累】DeepContour

(CVPR 2015) DeepContour: A Deep Convolutional Feature Learned by Positive-sharing Loss for Contour Detection

这篇文章是结合了sketch token和CNN的方法来提取轮廓。

个人认为文章的两个主要贡献：

1）用CNN来学习token的分类。其实这个想法是比较straightforward的，如果看了sketch token的文章以后，第一直觉就是对图像patch提的那好几种feature靠谱吗？够用吗？为什么不让我们普适天下的CNN来直接提feature呢。

在设计网络的时候，作者适当的体征了一下网络大小，这主要是因为作者认为the contour is always represented by a local image patch with smaller size than generic objects.

2）另外一个贡献，也算是最大的贡献就是Positive-sharing loss function。通常在多分类的时候，我们希望各个样本尽可能的分到各自的类，但是在本文定义的问题中，除了定义的多类以外，还有更高一层的“contour”和“non-contour”的分类，作者认为后者的可分性更重要，因此需要对loss function做一个限制，在原来的J0上添加一个惩罚项：设p0为分为non-contour的概率，那么1-p0则是分为contour的概率，因此有：

J =J0 − (1/m)[ ∑λ(1(y = 0) log p0 + ∑1(y =j) log(1− p0)]
这样，如果contour各种分类之间错分了，并不影响惩罚项，而p0的错误则会影响很大，基于这个改动，适当的改动BP的gradient公式，然后就大功告成了。

不过，这样实际上是适当的降低了分类的难度，如果分类器本身能很好的进行多分类，那么做这个必要性并不大，除非是希望严格的加强对non-contour的判断，那么这个方法的作用就很大了。（事实上，实际应用中这个需求是很高的）