论文阅读《Edge Detection Using Convolutional Neural Network》
Abstract:
提出了一个基于CNN的边缘检测算法,可以直接得到图像块是否为边缘的预测。
Introduction:
1.传统的方法:基于梯度,假设不同的物体之间存在较大的梯度,相同物体内的梯度较小,但是现实情况下很多时候这个假设不成立,因此考虑用学习的方法。
2.之前的学习方法:学习能力不够,无法直接根据原始图像块进行边缘检测,需要进行许多颜色和梯度的特征提取来表征原图像,很复杂而且效果不够好,特征的提取需要相关的知识。
3.cnn方法的优势:
(1) cnn可以自动学习到多层次的特征表示,不需要手动提取特征,因此更加直接有效。
(2) cnn通过卷积可以学习到局部的特征,这非常适合边缘检测问题,因为边缘就是局部相关的特征。
4.网络的特点:
(1) 去掉了pooling层
(2) 效果最好的是三层,直接输入rgb图像块,不需要对图像进行预处理,在整个网络中增加极大值抑制会效果更好。
Edge Detection System
整体框架
整体流程就是: 原图->预处理->卷积神经网络->极大值抑制或者形态学处理->结果
2.1预处理
平滑处理,使用了 《Image smoothing via l 0 gradient minimization 》中的方法
2.2 卷积神经网络的结构
2.3 后处理
极大值抑制或者形态学处理来或者一个更准确的边缘
Experiments and Results
3.1 数据集和评价标准
使用的数据集 : BSDS500 data set , 有3个子集, 200 训练, 100 验证, 200 测试
3.2 准备训练数据
(1) 预处理去除噪声
(2) 因为每张图都有多个edge maps ,为了确定一个ground truth, 选择最稀疏的一个或者平均最稀疏的几个(没明白)
(3)进行训练