[논문 리뷰] Pixel-wise Deep Learning for Contour Detection

Jyh-Jing Hwang, Tyng-Luh Liu|arXiv (Cornell University)|2015. 04. 08.

Industrial Vision Systems and Defect Detection인용 수 21

한 줄 요약

이 논문은 각 픽셀의 다중 척도 특징을 추출하기 위해 DenseNet을 사용하여 텍스처 감지에 적합한 퍼셉트와 지도 학습 기반의 분류 기법을 제안한다. BSDS500 데이터셋에서 여러 CNN 레이어의 특징을 융합하면 경계 검출 성능이 크게 향상되며, 이는 경계 국소화를 위한 딥 페처 융합의 효과성을 입증한다.

ABSTRACT

We address the problem of contour detection via per-pixel classifications of edge point. To facilitate the process, the proposed approach leverages with DenseNet, an efficient implementation of multiscale convolutional neural networks (CNNs), to extract an informative feature vector for each pixel and uses an SVM classifier to accomplish contour detection. In the experiment of contour detection, we look into the effectiveness of combining per-pixel features from different CNN layers and verify their performance on BSDS500.

연구 동기 및 목표

• 경계점의 픽셀 단위 분류를 활용하여 경계 감지 정확도를 향상시키는 것.
• CNN의 다양한 레이어에서 유도된 특징 맵을 융합하는 것이 경계 감지에 얼마나 효과적인지 조사하는 것.
• 표준 벤치마크 데이터셋에서 하이브리드 딥 러닝 및 SVM 기반 접근법의 성능을 평가하는 것.
• 다중 척도 특징 융합이 단일 레이어 표현을 초월하여 경계 감지 성능을 향상시키는지 확인하는 것.

제안 방법

• 이 방법은 각 이미지의 픽셀에 대해 계층적이고 다중 척도 특징을 추출하기 위해 DenseNet을 활용한다.
• DenseNet 아키텍처의 여러 합성곱 레이어에서 픽셀 단위 특징 벡터를 추출한다.
• 각 레이어의 특징을 연결하여 각 픽셀에 대한 종합적인 표현을 구성한다.
• 융합된 특징 벡터를 기반으로 SVM 분류기를 훈련시어 각 픽셀이 경계점인지 예측한다.
• 표준 경계 감지 평가 지표를 사용하여 BSDS500 데이터셋에서 모델을 훈련하고 평가한다.

실험 결과

연구 질문

• RQ1 CNN의 여러 레이어에서 유도된 픽셀 단위 특징을 융합하면 경계 감지 성능이 향상되는가?
• RQ2 DenseNet에서 유도된 다중 척도 특징의 통합은 경계 국소화 정확도에 어떤 영향을 미치는가?
• RQ3 딥 페처에 SVM 분류기를 적용하는 것이 경계 감지에서 엔드 투 엔드 학습을 초월하는가?
• RQ4 다양한 특징 레이어의 상대적 기여도는 최종 감지 성능에 어떻게 기여하는가?

주요 결과

• DenseNet의 여러 레이어에서 유도된 특징을 융합하면 BSDS500 벤치마크에서 경계 감지 성능이 크게 향상된다.
• 제안된 방법은 BSDS500 데이터셋에서 엔드 투 엔드 학습이 아닌 접근법 중 최고 성능을 달성한다.
• DenseNet의 더 깊은 레이어는 얕은 레이어보다 경계 감지에 더 구분력 있는 특징을 제공한다.
• 다중 척도 특징 융합은 미세하고 약한 경계를 감지하는 모델의 능력을 향상시킨다.