【论文阅读】Richer Convolutional Features for Edge Detection（2017）
发布时间
阅读量：
阅读量
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
摘要
- 提出一个利用丰富卷积特征的模型RCF。现实物体具有不同的尺度与纵横比，因此模型学习丰富层次结构的能力在边缘检测任务中十分关键，提出的模型通过整体得结合卷积特征，能够有效利用物体不同层次、尺度的特征实现边缘分割。
- 在BSDS500 ODS F-measure of 0.811 速度8 FPS；更快的版本在30FPS的基础上实现ODS F-measure of 0.806。
模型
1.模型结构
与VGG16的区别：
- 去掉全连接层与pool5层
- 所有层与1x1x21的卷积层相连接，并相加再与一个1x1x1卷积层连接
- 利用反卷积层deconv进行上采样
- 所有上采样恢复的特征图concat连接进行，生成最后边缘检测图
2.损失函数
损失函数依旧是：
总的损失函数是5个stage损失与融合损失之和：
测试时的多尺度融合技巧
人为把resize到0.5, 1.0, and 1.5，进行边缘检测，再将输出图利用双线性插值上采样到原图大小，最后取平均得到最后结果。
这个操作我觉得可以有两个改进方向：
- 既然双线性插值可导，上面整个图都可以直接作为模型的一部分，进行训练
- 模型仅仅用的是单一尺度的数据训练，然而测试竟然用不同尺度的图像，没有道理。理应将模型多次训练，适应不同尺度的图像才有道理。
结果
可视结果：
量化结果：
PR曲线：
全部评论 (0)
还没有任何评论哟~