[论文解读] Pixel-wise Deep Learning for Contour Detection

Jyh-Jing Hwang, Tyng-Luh Liu|arXiv (Cornell University)|Apr 8, 2015

Industrial Vision Systems and Defect Detection被引用 21

一句话总结

该论文提出了一种基于DenseNet提取每个像素的多尺度特征，并结合SVM分类的逐像素深度学习方法进行轮廓检测。在BSDS500数据集上，融合多个CNN层的特征显著提升了边缘检测性能，证明了深度特征融合在轮廓定位中的有效性。

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.

研究动机与目标

• 通过利用边缘点的逐像素分类来提高轮廓检测的准确性。
• 研究将卷积神经网络不同层的特征图进行融合在边缘检测中的有效性。
• 在标准基准数据集上评估混合深度学习与SVM方法的性能。
• 确定多尺度特征融合是否能超越单层表示，提升轮廓检测性能。

提出的方法

• 该方法采用DenseNet提取图像中每个像素的分层多尺度特征。
• 从DenseNet架构的多个卷积层中提取逐像素特征向量。
• 将各层提取的特征在通道维度上拼接，形成每个像素的综合表征。
• 使用融合后的特征向量对SVM分类器进行训练，以预测每个像素是否为边缘点。
• 在BSDS500数据集上使用标准轮廓检测指标进行模型训练与评估。

实验结果

研究问题

• RQ1 将卷积神经网络多个层的逐像素特征进行融合，能否提升轮廓检测性能？
• RQ2 DenseNet中多尺度特征的整合如何影响边缘定位的准确性？
• RQ3 在深度特征上使用SVM分类器是否优于端到端学习的轮廓检测方法？
• RQ4 不同特征层对最终检测性能的相对贡献是什么？

主要发现

• 融合DenseNet多个层的特征在BSDS500基准测试中显著提升了轮廓检测性能。
• 所提出的方法在BSDS500数据集上实现了非端到端学习方法中的最先进结果。
• DenseNet中更深层的特征比浅层特征具有更强的判别能力，更适用于边缘检测。
• 多尺度特征的融合增强了模型检测细小和微弱轮廓的能力。