Holistically-Nested Edge Detection 边缘检测论文笔记

摘要:这篇论文提出了一种基于FCNN和深度监督网络的新的边缘检测算法HED,它解决了两个重要的问题,1)整体图片的训练和预测,2)多尺度多层级的特征学习。HED能实现端到端的训练,输入一个图片,输出对应的边缘图片。

下图中的图c即为HED输出的边缘检测结果,d-f是不同side layer(后面会具体提到)的输出,g-i是Canny边缘检测器的输出。可以看到HED效果明显更好。


b47c51c8-7caf-4cbe-a67b-6a61babefb3c.png.png

算法总览

3847bf0c-cd4b-41e4-8dd4-135248e31956.png.png

HED的思想来源于多尺度&多级别学习的概念,有的是通过内在网络结构的多尺度学习,有的是通过缩放扭曲图片进行的,上图的a-d就是作者列出的一些现有的多尺度&多级别学习的神经网络。前两个网络的问题是只有单一的输出层,所以只有一个预测结果,而在边缘检测中获得多个预测结果然后将所有的边缘映射平均是更有利的。 而图c中的方法一般更多用于不基于深度学习的方法,因为它会大大削减学习系统的预测效率。而作为图a的变种,图d中的方法分别训练多个不同层级的网络,但是这样会导致需要数倍的训练数据。而本论文提出的HED方法就改进自图d中的方法,如图e所示,它将同一个深度学习网络的不同层级侧面输出(side output)。

损失函数

首先,我们定义了针对侧面输出的图片级别的边缘损失函数,其中G(m)是根据侧面输出层(side output layer)m上采样到原始图像尺寸得到的图形,每一个侧面输出层都和一个分类器相连,我们将这些分类器的参数记为w,将其它网络参数统统记为W,G是grondtruth,△是用来计算预测边缘映射和ground truth之间差距的能量函数,αm是用来控制每一个独立的侧面输出层的损失函数占比的超参数。

f703bcab-69dd-4203-bd44-98e752ff8126.png.png

然而在一张图片中,百分之九十的区域都是非边缘,为了解决边缘和非边缘不平衡的问题,论文引入了一个类平衡圈子β,用它来定义我们在公式(1)中用到的类平衡交叉熵函数△:

6b3b50c8-7eaf-4e06-a3d2-52fa8455c1b5.png.png

其中I,I-和I+分别代表总像素,非边缘像素和边缘像素的个数。βj=I-/I(Ij是正样本),1-βj=I+/I(Ij是负样本)。

网络结构
在这篇论文中作者选择了VGG16作为基础网络,对它进行了修剪和更改。

文中提到做了以下更改:
a)连接侧输出层(side output layer)到每一个阶段的最后一个卷积层在,分别为conv1 1,conv3 conv2 2,3,3 conv4,conv5 3。侧输出层被实现为具有内核大小1和输出数1的卷积层。因此每一个卷积层的感受野的大小是相同的相应的对应侧输出层。
B)去掉了VGG第五层的池化层和全连接层。
修剪完之后的网络如下图所示。

f00428d6-c6fd-4d73-b027-4d90045cc31c.png.png

权重混合数层
为了最好地利用本论文提出的结构中的每个侧输出层的结果,我们增加了一个“权重混合层”用来将所有的侧输出层的预测结果连接到一起并且在训练的过程中学习混合权重。我们将混合权重记为h,混合权重层的损失函数如下:

2ad5a9b5-6939-4451-8181-2bf62c9f171c.png.png

所以总体的损失函数为:
8cd9b33f-de83-464d-9ab4-5a18e94a35ea.png.png

同时,论文还特别探讨了隐藏监督层的必要性,即之前在侧输出层进行的卷积操作;因为会有人觉得有了权重混合层之后之前的隐藏监督层就没有必要了。
但是实际上,隐藏输出层是非常重要的,因为论文提出的网络的主要特点是,每一个网络层都应该充当一个单一的网络,负责在一定的范围内产生一个边缘映射。论文也提供了一组对比图,从图中可以看出,在没有隐藏监督层的情况下,边缘不连续,并且丢失了很多重要边缘。如下:

bf0ceac9-69c8-49f4-a1da-e1f8210e5e52.png.png

总结:这篇论文提出的HED方法进行边缘检测还是很可靠的,它提出的这种从深度网络的每一层引一个侧面输出出来再进行混合的思想也可以借鉴。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 144,481评论 1 305
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 61,908评论 1 258
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 95,710评论 0 214
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 41,372评论 0 183
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 49,216评论 1 262
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 38,949评论 1 178
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 30,558评论 2 275
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,308评论 0 168
  • 想象着我的养父在大火中拼命挣扎,窒息,最后皮肤化为焦炭。我心中就已经是抑制不住地欢快,这就叫做以其人之道,还治其人...
    爱写小说的胖达阅读 29,183评论 7 237
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 32,675评论 0 214
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,416评论 2 217
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 30,757评论 1 232
  • 白月光回国,霸总把我这个替身辞退。还一脸阴沉的警告我。[不要出现在思思面前, 不然我有一百种方法让你生不如死。]我...
    爱写小说的胖达阅读 24,314评论 1 33
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,215评论 2 213
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 31,682评论 3 214
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,665评论 0 9
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,091评论 0 170
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 33,687评论 2 233
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 33,830评论 2 237