[论文解读] Oriented Edge Forests for Boundary Detection

Sam Hallman, Charless C. Fowlkes|arXiv (Cornell University)|Dec 13, 2014

Landslides and related hazards参考文献 19被引用 9

一句话总结

该论文提出了一种基于随机森林的边界检测模型——定向边缘森林（Oriented Edge Forests, OEF），通过使用带符号距离和方向 $(d, \theta)$ 对局部图像块进行离散类别分类，实现对定向边缘的分类。通过聚类边缘模式、校准树模型输出并融合多尺度预测，OEF在BSDS500基准上实现了最先进性能，相比以往方法显著降低了训练内存消耗，并将训练速度提升了10倍，优于结构化森林模型。

ABSTRACT

We present a simple, efficient model for learning boundary detection based on a random forest classifier. Our approach combines (1) efficient clustering of training examples based on simple partitioning of the space of local edge orientations and (2) scale-dependent calibration of individual tree output probabilities prior to multiscale combination. The resulting model outperforms published results on the challenging BSDS500 boundary detection benchmark. Further, on large datasets our model requires substantially less memory for training and speeds up training time by a factor of 10 over the structured forest model.

研究动机与目标

• 开发一种更高效且准确的边界检测方法，利用随机森林中的结构化输出学习。
• 通过使用 $(d, \theta)$ 参数对局部边缘结构进行离散且可解释的表示，以解决非参数模型的局限性。
• 在保持或提升检测精度的同时，减少训练内存和时间消耗，相较于现有结构化森林模型更具优势。
• 对单个树模型的输出进行校准，并在不同尺度上融合结果，以生成高质量、清晰的边界图。

提出的方法

• 基于带符号距离 $d$ 和方向 $\theta$，将局部边缘模式的空间划分为离散类别，构建以 $(d, \theta)$ 索引的标签空间。
• 训练随机森林模型，以预测每个图像块在这些离散边缘类别上的概率分布。
• 采用与尺度相关的概率校准方法对单个树模型的输出进行校准，以提升后验可靠性，再进行多尺度融合。
• 通过多尺度预测融合，整合来自多个金字塔层级的输出，提升在不同尺度下边界检测的能力。
• 在融合后应用局部锐化处理，以优化边缘定位精度。
• 模型仅使用简单图像特征，避免使用复杂结构化输出（如角点或曲线边缘），专注于直线边界以提升效率与鲁棒性。

实验结果

研究问题

• RQ1 与连续或复杂结构化输出相比，使用离散且可解释的定向边缘表示是否能提升边界检测的准确性？
• RQ2 对随机森林输出进行与尺度相关的校准，是否能优于标准平均或投票方法，实现更优的多尺度边界融合？
• RQ3 将边缘模式聚类为独立的 $(d, \theta)$ 类别，是否能简化学习任务并提升模型性能？
• RQ4 与结构化森林模型相比，该方法在不损失精度的前提下，能在多大程度上减少训练内存和时间消耗？

主要发现

• 定向边缘森林在BSDS500基准上实现了新的最先进F值，达到0.81，优于以往已发表的结果。
• 与结构化森林模型相比，该模型显著降低了训练内存使用，并将训练速度提升了10倍，适用于大规模数据集。
• 对树模型输出进行校准可显著提升性能，最佳结果出现在使用校准后的概率分布而非单一投票时。
• 多尺度融合方法始终优于单尺度模型，且融合后的整体模型远超任何固定尺度的变体。
• 局部锐化处理提升了定位精度，尤其在抑制纹理引起的虚假边缘方面表现优异，视觉对比结果清晰可见。
• 即使仅预测中心像素的边界概率，该方法在性能上仍可与更复杂的模型（如Sketch Tokens）相媲美，表明结构化输出的主要作用在于数据划分，而非输出复杂度本身。