跨層多尺度特征融合的邊緣檢測(cè)模型*

楊祖源 劉華軍

（南京理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院 南京 210094）

1 引言

邊緣檢測(cè)是在圖像中提取物體顯著的邊緣信息［1］，在絕大多數(shù)的視覺(jué)任務(wù)［2］中發(fā)揮著重要的作用，應(yīng)用包括光流估計(jì)、圖像分割［3］和生成圖像修復(fù)［4］等。

邊緣作為圖像中的重要結(jié)構(gòu)特征往往存在于不同的區(qū)域以及物體和背景之間。LapLace，Prewwit，Sobel［5］和Canny［6］算子等傳統(tǒng)的邊緣檢測(cè)算法利用圖像的顏色、紋理和梯度信息等特征來(lái)進(jìn)行邊緣檢測(cè)，這些特征在復(fù)雜的環(huán)境中難以實(shí)現(xiàn)高質(zhì)量的邊緣檢測(cè)。Dollar等［7］通過(guò)隨機(jī)決策森林的方法生成圖像塊，進(jìn)一步提高輸出邊緣的質(zhì)量。上述方法都是基于人工設(shè)計(jì)的，這對(duì)于具有語(yǔ)義意義的邊緣檢測(cè)來(lái)說(shuō)，使用手工設(shè)計(jì)的特征去表示高級(jí)復(fù)雜信息的能力是非常局限的。

由于深度學(xué)習(xí)理論在計(jì)算機(jī)視覺(jué)方面有了重大的突破，越來(lái)越多的研究人員開(kāi)始使用卷積神經(jīng)網(wǎng)絡(luò)［8］進(jìn)行邊緣檢測(cè)。Shen 等［9］提出的DeepContour 邊緣檢測(cè)算法對(duì)圖像塊進(jìn)行分類，采用分治策略，最后對(duì)分類結(jié)果進(jìn)行融合。Bertasius 等［10］提出的DeepEdge 模型同時(shí)在多個(gè)尺度上進(jìn)行邊緣檢測(cè)，通過(guò)Canny 算子得到邊緣候選點(diǎn)并結(jié)合圖像的局部信息，從而提升了邊緣檢測(cè)的精度。Xie 等［11］提出HED 模型，通過(guò)使用全卷積神經(jīng)網(wǎng)絡(luò)和深監(jiān)督的方式讓網(wǎng)絡(luò)能夠自動(dòng)學(xué)習(xí)提取邊緣特征，讓網(wǎng)絡(luò)能夠?qū)W習(xí)到邊緣的高層語(yǔ)義信息。Liu等［12］提出了RCF 模型，在HED 模型的基礎(chǔ)上對(duì)所有卷積層的輸出都進(jìn)行了融合，并且采用了魯棒性更好的損失函數(shù)進(jìn)行訓(xùn)練，但是得到的結(jié)果邊緣較粗而且噪聲較多。……