基于深度学习的CNN边缘检测RCF--Richer Convolutional Features for Edge Detection
Richer Convolutional Features for Edge Detection
CVPR2017
Caffe:https://github.com/yun-liu/rcf
本文针对边缘检测问题,基于 VGG16 网络设计了一个 richer convolutional features (RCF) 用于边缘检测,效果目前是很好的。
首先来看看 VGG16不同卷积层的特征输出
3 Richer Convolutional Features (RCF)
3.1. Network Architecture
网络结构思路很简单啊
我们将卷积分为5个stage,相邻两个stage 通过池化层来降采样,得到不同尺度特征,rich hierarchical information 对边缘检测很有帮助。
随着 receptive field 尺寸的增加,每个卷积层学习到的有用信息将变得 coarser
标准VGG16中的感受野和步长
我们对VGG16的改动如下:
1)去除所有的全连接层和第五池化层。去除全连接层主要是为了得到全卷积网络,第五池化层对降采样特征图,不利于边缘定位。
2)对VGG16中的每个卷积层使用一个 kernel size 1 × 1 and channel depth 21 卷积层, 每个stage中所有的1 × 1 × 21卷积输出进行元素相加操作( eltwise layer),得到一个复合特征
3)每个 eltwise layer 后面加一个deconv layer 用于放大特征图尺寸的(up-sampling layer)
4)在每个 up-sampling layer 后面使用一个 cross-entropy loss / sigmoid layer
5)所有的 up-sampling layers 输出进行concatenated,随后使用一个 1×1 conv layer 进行特征图融合,最后使用 一个 cross-entropy loss / sigmoid layer 得到输出
下面看看每个 stage 的输出结果
3.2. Annotator-robust Loss Function
在设计损失函数时,我们对于有争议的边缘点不计入损失函数的计算中,例如有10个人标记,只有1-3个人同时标记某个像素为边缘点。那么该像素点就属于有争议的边缘点。
每个像素的损失函数定义如下
3.3. Multiscale Hierarchical Edge Detection
对尺度图像输入
we use three scales 0.5, 1.0, and 1.5 in this paper
对于 BSDS500 数据库, 精度提升: ODS F-measure from 0.806 to 0.811,速度从 30 FPS 降到 8 FPS
3.4. Comparison With HED 和 HED 的比较
下面开始 马三点: 关于这个问题我要说三点
1)HED 只考虑 VGG16 每个 stage 中的最后一个卷积层, 这样很多有用的信息就丢失了。 而 RCF 使用了所有的卷积层信息
2) 我们设计了新的损失函数,不考虑有争议的边缘点计算
3) 多尺度提升性能 multiscale hierarchy to enhance edges 2.3% improvement in ODS F-measure over HED
BSDS500 数据库上对比
NYUD dataset
Multicue dataset
图示结果:
最后有一点很有意思: non-linearity 没有帮助,甚至导致网络不收敛
In order to investigate whether including additional non-linearity helps, we connecting ReLU layer after 1 × 1 − 21 or 1 × 1 − 1 conv layers in each stage. However, the network performs worse. Especially, when we attempt to add nonlinear layers to 1 × 1 − 1 conv layers, the network can not converge properly.
原帖:https://blog.csdn.net/zhangjunhit/article/details/77650345
基于深度学习的CNN边缘检测RCF--Richer Convolutional Features for Edge Detection相关推荐
- 【边缘检测】RCF: Richer Convolutional Features for Edge Detection
文章目录 一.背景 二.网络结构 三.和 HED[16] 的不同 一.背景 边缘检测是视觉任务中非常基础的任务,现有的基于CNN的边缘检测方法有两个明显的问题: 现有的方法大多只使用CNN的最后一层c ...
- CNN边缘检测--Richer Convolutional Features for Edge Detection
Richer Convolutional Features for Edge Detection CVPR2017 Caffe:https://github.com/yun-liu/rcf 本文针对边 ...
- (Pytorch)环境配置与代码学习1—边缘检测:更丰富的卷积特征 Richer Convolutional Features for Edge Detection
(Pytorch)环境配置与代码学习1 - 边缘检测:更丰富的卷积特征 Richer Convolutional Features for Edge Detection Source code and ...
- 边缘检测:更丰富的卷积特征 Richer Convolutional Features for Edge Detection
边缘检测:更丰富的卷积特征 Richer Convolutional Features for Edge Detection Source code and paper address Abstrac ...
- 论文见解之RCF:Richer Convolutional Features for Edge Detection
论文名:Richer Convolutional Features for Edge Detection code:https://github.com/yun-liu/rcf 这是cvpr2017的 ...
- Richer Convolutional Features for Edge Detection 论文阅读
Richer Convolutional Features for Edge Detection是2017年cvpr中一篇边缘检测文章,准备以此为基础,1)了解深度学习中边缘检测的发展:2)如何使用深 ...
- Richer Convolutional Features for Edge Detection(RCF论文学习笔记)
介绍: 做边缘检测(edge detection)的网络,实质上来讲,应该算是HED网络的改进 作者提出RCF,将所有卷积特征封装成更具鉴别性的表示,很好地利用了丰富的特征层次结构,并且可以通过反向传 ...
- Richer Convolutional Features for Edge Detection(RCF-PYTorch)部署
一.部署环境 1.ubuntu18.04 2.anaconda 3.pytorch1.7 二.源代码 本次部署代码地址:https://github.com/meteorshowers/RCF-pyt ...
- 基于深度学习的场景文本检测和识别(Scene Text Detection and Recognition)综述
1. 引言 文字是人类最重要的创作之一,它使人们在时空上可以有效地.可靠的传播或获取信息. 场景中的文字的检测和识别对我们理解世界很有帮助,它应用在图像搜索.即时翻译.机器人导航.工业自动化等领域. ...
最新文章
- 阿里专家张磊:云原生为什么对云计算生态充满吸引力?
- python 比较文件夹或列表异同
- 转--发布js支持Firefox的加入收藏代码
- JSON学习笔记(六)- JSONP
- 用Java创建自己的AOP
- Asp.net MVC模型数据验证扩展ValidationAttribute
- 飞鸽传书举一个小例子
- 8g ubuntu 树莓派4b_树莓派4B如何安装ubuntu20.04
- C++读取字符串中的数字的方法
- python-opencv中的cv.CreateImage函数的参数问题
- php的curl函数模拟post、get数据提交,速度非常慢的处理办法
- 自动更改IP地址反爬虫封锁
- 【SAP Abap】SE91 - SAP MESSAGE 消息类创建与应用
- 从历史故事看企业用人-之二--三国之东吴
- 解决vscode电脑卡顿问题
- python 源代码 macd双底 高 低_macd双底选股公式
- Electron理论知识 1-GN语法及使用介绍
- 世界500强企业网页
- 说一个恐怖故事:我的另一半是程序员!惊了~
- 录制课程不用愁,win10自带一个免费的屏幕录像机,简单易用