机构名称：
¥ 1.0
在计算机视觉和图像处理研究领域的众多主题中，边缘检测在从卫星成像到医学筛查、物体识别等广泛领域中发挥着重要作用。它是一种图像处理技术，用于在具有不连续性的数字图像中查找边界/边缘，以呈现图像的全局视图和图像的最关键轮廓。强大的基于边缘的形状特征为计算机视觉应用提供了更具体的分析。传统边缘检测方法利用低级视觉线索来构建手工特征，然后使用基于阈值的方法对边缘和非边缘像素进行分类。传统方法的结果在对象级别缺乏语义。如今，基于卷积神经网络的方法已成为图像处理领域的主流。在基于深度网络的边缘检测方法中，整体嵌套边缘检测 (HED) [1] 是成功的框架之一。它产生五个中间侧输出并沿网络路径进行深度监督。其最终融合结果与人类视觉的差距在 2% 以内。从那时起，几种方法使用类似的架构来进一步提高准确性。这些努力主要集中在提高中间输出的质量或增强深度监督策略上。然而，这些方法融合了中间层，而没有考虑每个侧输出内的层次边缘重要性。这给网络带来了困境：要包含所需的特征，它必须接受许多不需要的数据，反之亦然。因此，结果通常包含更多噪声和粗边缘，同时缺少一些关键边界。为了解决这个问题，尺度不变显著边缘检测（SISED）框架[2]可以在不增加网络复杂度的情况下，定位和提取重要的尺度不变显著边缘（SISE）作为每个侧输出的子集。归一化哈达玛积是SISED的关键操作，其中应用乘法运算来促进多尺度侧输出之间相互一致的特征，同时抑制尺度表达较弱的特征。SISED分层计算边缘重要性以增强边缘结果并达到最先进的性能。通讯作者：胡刚（hug@buffalostate.edu）
人工智能及应用
主要关键词
相关文件推荐
