CASENet

code:https://github.com/anirudh-chakravarthy/CASENet
paper:https://arxiv.org/pdf/1705.09759.pdf

摘要

边界和边缘线索对改善语义分割、对象识别、立体声和对象建议生成等多种视觉任务非常有益。 最近，边缘检测问题被重新讨论，并在深度学习方面取得了显著进展。 虽然经典边缘检测本身是一个具有挑战性的二元问题，但类别感知语义边缘检测本质上是一个更具挑战性的多标签问题。 我们对这个问题进行建模，使得每个边缘像素可以与多个类关联，因为它们出现在属于两个或多个语义类的轮廓或连接中。 为此，我们提出了一种新的基于ResNet的端到端深语义边缘学习体系结构和一种新的跳层体系结构，其中顶部卷积层的类别边缘激活共享并与相同的底层特征集融合。然后，我们提出了一个多标签损失函数来监督融合激活。 我们表明，我们提出的体系结构有利于这个问题的更好的性能，我们在标准数据集(如SBD和CityScape)上的性能大大超过了目前最先进的语义边缘检测方法。

论文的贡献

我们的工作与HED采用嵌套体系结构有关，但我们将工作扩展到更困难的类别感知语义边缘检测问题。 我们在本文中的主要贡献总结如下：

• 为了解决边缘分类问题，我们提出了一个多标签学习框架，它允许改进边缘学习，而不是传统的多类框架。
• 我们提出了一种新的嵌套体系结构，在ResNet上没有深入的监督，其中底部特征仅用于增强顶部分类。 我们表明，深入监督可能不利于我们的问题。
• 我们在SBD和Cityscapes集上，我们的性能超过了以前最先进的方法。