复杂稠密网络下的并置多尺度融合边缘检测模型

摘要

边缘检测是计算机视觉任务的基础.目前的技术主要依赖于深度学习，但是大多数的模型在评价阶段会借助非极大值抑制来提高预测边缘的准确率.该策略仅着重关注预测边缘的准确性，没有同时考虑边缘的粗细程度.针对这一问题，本文基于复杂稠密网络，提出了一种新的特征融合策略.该策略在传统深度学习边缘检测器侧输出的基础上，添加了自顶向下的并置多尺度融合架构.此架构可以更好地将高层的高语义特征与低层的高分辨率纹理特征结合，有效地抑制了边缘预测中存在的背景模糊和伪线条的现象.在特征连接处使用Concat block块代替单一的Concat操作，更好地融合了不同尺度的语义信息.最后使用一个简单的注意力融合块融合多个网络输出，并结合跟踪损失对输出的不同尺度的预测图进行深度监督.此方法不依赖于非极大值抑制，并且充分利用了目标的多尺度、多层次信息，在精细边缘图像的同时也提升了预测的准确性.实验结果显示，在未使用和使用形态学非极大值抑制方案的情况下，所提出的模型在BIPED数据集上的ODS、OIS、AP分别达到了0.891、0.895、0.900和0.894、0.899、0.931，优于所有比较算法.在MDBD的数据集上也取得了最优的结果 .

关键词

边缘检测 / 卷积神经网络 / 注意力机制 / 多尺度融合