文章来源：CVPR 2016
下载链接：https://arxiv.org/abs/1603.04530
解决的问题：
① Previous algorithms efforts lift edge detection to a higher abstract level, but still fall below human perception due to their lack of object-level knowledge. Different from previous low-level edge detection, our algorithm focuses on detecting higher-level object contours.
② However, since it is very challenging to collect high-quality contour annotations, the available datasets for training contour detectors are actually very limited and in small scale.
文章内容：
In this paper, we scale up the training set of deep learning based contour detection to more than 10k images on PASCAL VOC . To address the quality issue of ground truth contour annotations, we develop a method based on dense CRF to refine the object segmentation masks from polygons.
受到完全卷积网络和解卷积网络在语义分割上成功应用的启发，作者开发了一个完全卷积编码-解码网络（CEDN）用于提取目标轮廓，该网络结构图如图1所示。该网络在训练时，作者固定编码器的参数（vgg-16），而只优化解码器的参数。这保持了编码器的泛化能力，并使解码器网络可以容易地与其他任务进行组合。
目前有大量的算法用于生成边界框或分段对象提案，但是他们的边界框通常不能提供准确的对象定位。为了解决这一问题，作者开发了一种基于dense CRF的方法来从多边形中细化对象分割蒙板。
网络结构：
文章的网络结构如图1所示，其在VGG-16 net 上进行了改进。
编码：VGG-16 net
解码：反池化-卷积-激活-dropout
详细内容可参考：CEDN网络结构
图1 算法结构图
网络的 encoder 部分直接使用 VGG模型对应的部分，然后使用 decoder还原尺寸大小。其中解码器网络设置如表1所示，损失函数采用simply the pixel-wise logistic loss。
表1 Decoder网络设置
文章特点：
与以前的low-level边缘检测不同，该算法侧重于检测higher-level的目标轮廓。另外全卷积的Encoder-Decoder网络，可以给出更higher-level的轮廓检测，准确率大幅超越传统算法；以此为基础可产生高质量的segmented object proposals。
存在的不足：
本文方法的F-score = 0.57和上限的F-score = 0.74之间仍然存在很大的性能差距，还需要进一步的改进研究。
网友评论