论文阅读《Edge Detection Using Convolutional Neural Network》

Abstract：

开发了一个基于卷积神经网络（CNN）的边缘检测算法，并能准确识别图像中的边缘区域

Introduction：

传统的技术途径主要依赖于对物体表面或结构的梯度分析。然而，在实际应用中这种情况经常发生：即不同的物体之间可能存在较大的差异性特征（如形状、颜色等），而同一类别的不同实例（如不同尺寸的产品）则往往表现出较低程度的变化性特征（如形状、颜色等）。这种情况下我们无法继续依赖传统的基于模型的知识库来进行推理判断而必须转而采用学习方法进行处理

2.之前的学习方法：由于学习水平有限，在之前的算法设计中存在明显不足之处。即无法直接基于原始图像块执行边缘检测这一操作，在之前的算法设计中存在明显不足之处，在之前的算法设计中缺乏足够的理论支持和技术支撑以实现边缘检测这一功能；为了解决这一问题，在之前的算法设计中需要对原始图像进行多角度分析并提取丰富的特征信息；然而这种方法虽然在理论上可行但在实际应用中存在诸多困难：一方面计算量过大导致运行效率低下；另一方面难以保证检测结果的准确性；此外还需要具备扎实的专业知识储备才能完成这一过程

3.cnn方法的优势：

cnn能够自主学习出多层特征表征, 无需人工提取特征, 从而使得这一过程更加直接且高效

(2) CNN能够利用卷积核识别出局部特征信息。这种特性特别适合用于图像处理任务中的边缘检测问题。这是因为边缘本身具有局部相关性。

4.网络的特点：

(1) 去掉了pooling层

以三层结构为最佳方案，在模型中采用RGB图像块作为输入而不进行任何预处理步骤，并且通过在整个网络架构中引入极大值抑制机制能够产生更好的效果。

Edge Detection System

整体框架

整个流程依次包括： 输入图像→预处理步骤→CNN模型→极大值抑制或形态学操作→最终输出结果。

2.1预处理

平滑处理，使用了 《Image smoothing via l 0 gradient minimization 》中的方法

2.2 卷积神经网络的结构

2.3 后处理

极大值抑制或者形态学处理来或者一个更准确的边缘

Experiments and Results

3.1 数据集和评价标准

使用的数据集 ： BSDS500 data set ， 有3个子集， 200 训练， 100 验证， 200 测试

3.2 准备训练数据

(1) 预处理去除噪声

由于每张图片都包含多个edge maps，在确定ground truth时通常会选择其中最稀疏的那个或取所有最稀疏边界的平均值。

（3）进行训练