• 北大核心期刊(《中文核心期刊要目总览》2017版)
  • 中国科技核心期刊(中国科技论文统计源期刊)
  • JST 日本科学技术振兴机构数据库(日)收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于改进HED的多尺度边缘检测方法

张晓闻 任勇峰

张晓闻, 任勇峰. 基于改进HED的多尺度边缘检测方法[J]. 微电子学与计算机, 2021, 38(6): 1-6, 12.
引用本文: 张晓闻, 任勇峰. 基于改进HED的多尺度边缘检测方法[J]. 微电子学与计算机, 2021, 38(6): 1-6, 12.
ZHANG Xiao-wen, REN Yong-feng. Improved multi-scale edge detection method based on HED[J]. Microelectronics & Computer, 2021, 38(6): 1-6, 12.
Citation: ZHANG Xiao-wen, REN Yong-feng. Improved multi-scale edge detection method based on HED[J]. Microelectronics & Computer, 2021, 38(6): 1-6, 12.

基于改进HED的多尺度边缘检测方法

基金项目: 

国家自然科学基金 61771434

国家自然科学基金 61704160

详细信息
    作者简介:

    张晓闻  女,(1990-),博士研究生.研究方向为图像处理、智能优化算法.E-mail: 18247923693@163.com

    任勇峰  男,(1968-),博士,教授.研究方向为测试计量技术及仪器、电路与系统、信息处理

  • 中图分类号: TP31

Improved multi-scale edge detection method based on HED

  • 摘要: 针对基于深度学习的多尺度边缘检测不可避免出现自适应性低,参数增加,计算量大,检测边缘不连续等问题,本文提出一种基于改进整体嵌套的多尺度边缘检测方法.该方法将多尺度检测与弱监督模型相结合,解决参数多计算量大的问题.为了充分利用卷积强大的特征表达能力,在整体嵌套边缘检测的基础上,提出了一种多尺度下深度学习结构,一个相互独立的多网络多尺度结构,由不同深度和输出的多个网络组合.同时引用整体嵌套的权重混合层,权重混合层将所有的弱监督预测结果连接到一起,并在训练的过程中学习混合权重。将所提方法在数据集BSDS500上通过评价指标进行性能评价.实验结果表明,所提方法能够在数据集BSDS500上达到很好的性能.
  • 图  1  几种网络架构

    图  2  网络结构

    图  3  几种方法的效果对比图

    图  4  BSDS500数据集下边缘检测P-R曲线

    表  1  评估指标

    方法 ODS OIS AP
    Canny 0.600 0.640 0.580
    SE 0.746 0.767 0.803
    HED 0.782 0.804 0.833
    本文方法 0.763 0.779 0.817
    下载: 导出CSV
  • [1] ROSENFELD A, THURSTON M. Edge and curve detection for visual scene analysis[J]. IEEE Transactions on Computers, 1971, C-20(5): 562-569. DOI:  10.1109/T-C.1971.223290.
    [2] MARR D, HILDRETH E. Theory of edge detection[J]. Proceedings of the Royal Society of London. Series B, Biological Sciences, 1980, 207(1167): 187-217. DOI:  10.1098/rspb.1980.0020.
    [3] WITKIN A P. Scale-space filtering[C]//Proceedings of the Eighth International Joint Conference on Artificial Intelligence. San Francisco: Morgan Kaufmann Publishers Inc., 1983: 1019-1022.
    [4] ARBELAEZ P, MAIRE M, Fowlkes C, et al. Contour detection and hierarchical image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(5): 898-916. DOI:  10.1109/TPAMI.2010.161.
    [5] REN X F, BO L F. Discriminatively trained sparse code gradients for contour detection[C]//Proceedings of the 25th International Conference on Neural Information Processing Systems. Red Hook: Curran Associates Inc., 2012, 1: 584-592.
    [6] PATI Y C, REZAⅡFAR R, KRISHNA P S. Orthogonal matching pursuit: recursive function approximation with applications to wavelet decomposition[C]//Proceedings of the 27th Asilomar Conference on Signals, Systems and Computers. Pacific Grove: IEEE, 1993: 1412-1416. DOI: 10.1109/ACSSC.1993.342465.
    [7] AHARON M, ELAD M, BRUCKSTEIN A. K-SVD: an algorithm for designing overcomplete dictionaries for sparse representation[J]. IEEE Transactions on Signal Processing, 2006, 54(11): 4311-4322. DOI:  10.1109/TSP.2006.881199.
    [8] XIE S N, TU Z W. Holistically-nested edge detection[C]//Proceedings of the 2015 IEEE International Conference on Computer Vision. Santiago: IEEE, 2015: 1395-1403. DOI: 10.1109/ICCV.2015.164.
    [9] DOLLAR P, ZITNICK C L. Fast edge detection using structured forests[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(8): 1558-1570. DOI:  10.1109/TPAMI.2014.2377715.
    [10] WANG L Y, SHEN Y, LIU H D, et al. An accurate and efficient multi-category edge detection method[J]. Cognitive Systems Research, 2019, 58: 160-172. DOI:  10.1016/j.cogsys.2019.06.002.
    [11] ZHANG Z Z, XING F Y, SHI X S, et al. SemiContour: a semi-supervised learning approach for contour detection[C]//Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016: 251-259. DOI: 10.1109/CVPR.2016.34.
    [12] KHOREVA A, BENENSON R, OMRAN M, et al. Weakly supervised object boundaries[C]//Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016: 183-192. DOI: 10.1109/CVPR.2016.27.
    [13] LI Y, PALURI M, REHG J M, et al. Unsupervised learning of edges[C]//Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016: 1619-1627. DOI: 10.1109/CVPR.2016.179.
    [14] ZHOU Z H. A brief introduction to weakly supervised learning[J]. National Science Review, 2018, 5(1): 44-53. DOI:  10.1093/nsr/nwx106.
    [15] OBUKHOV A, GEORGOULIS S, DAI D X, et al. Gated CRF loss for weakly supervised semantic image segmentation[J]//Neur IPS, Vancouver, 2019.
  • 加载中
图(4) / 表(1)
计量
  • 文章访问数:  303
  • HTML全文浏览量:  65
  • PDF下载量:  21
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-09-24
  • 修回日期:  2020-10-22
  • 刊出日期:  2021-06-05

目录

    /

    返回文章
    返回