总结

使用CNN进行边缘检测，主要在数据库BSD500实验。主要贡献如下：

1. 网络开始阶段，细节边缘丰富。网络后续阶段，细节（内部）边缘减少，轮廓信息更明显。所以利用FPN思想结合高层和底层的Feature Map进行边缘检测。
2. 优化LOSS FUNCTION，使其更具有一般性。

在BSDS500 benchmark，得到 ODS F-measure 0.811 (8FPS)

简化版本ODS F-measure 0.806 （30FPS）

得到2017年最好边缘检测的效果。

网络结构

网络主干为VGG16， 每个ConvGroup即一个stage后接pooling下采样。

每个stage的各个conv层后接1x1conv降维，再将group中所有降维后的feature maps相加（eltwise）得到融合特征。再接一个deconv恢复尺寸记为Stage feature map，用其计算loss。

最后阶段concat每个stage得到的Stage feature map，然后接一个1x1conv降维，计算loss。

网络具体结构及感受野如下表格所示

优化LOSS FUNCTION

Edge Detection任务中，每个图像有多个Anotation，因为每个标注者对边缘的标注可能不统一。

所以本文整合多个标注信息：

将所有人标注为0的区域设定为背景，将标注均值大于的pixel定义为edge。平均标注介于二者之间的pixels定义为模糊点，不计算loss。

公式如下

其他细节

1. 实验中使用了dilated conv以及一些超参数具体设置如下

2. 评价指标ODS、OIS

通过预测结果生成最终edge map的时候，置信度是一个超参数，记为p，p的选取可以通过ODS和OIS两种方法，当然这两种方法得到的F score也不一样。

ODS是选取一个固定的p应用于所有图片，使得整个数据集上的F score最大。

OIS是在每一张图片上均选取不同的使得该图片F score最大的p。

通常使用ODS作为测评指标。

吐槽

Edge detection任务上另一个有代表性的工作为HED，Holistically-Nested Edge Detection。发表于ICCV2015。

RCF与HED的区别其实很小，无非就是将每个conv层后的结果利用起来。HED是用group conv后的结果。

另外一点就是LOSS FUNCTION的计算改进。

不管黑猫白猫能抓耗子就是好猫，RCF也将HED效果提升了不少。