边缘检测论文简读、开源代码和数据集合集

边缘检测论文简读、开源代码和数据集合集

文章目录

​​概述​​​​基于深度学习的边缘检测​​​​一般的边缘检测​​

​​2019​​

​​Object Contour and Edge Detection with RefineContourNet​​​​Edge-Direct Visual Odometry​​

​​2020​​

​​Dense Extreme Inception Network: Towards a Robust CNN Model for Edge Detection​​

​​2021​​

​​Pixel Difference Networks for Efficient Edge Detection​​​​HED-UNet: Combined Segmentation and Edge Detection for Monitoring the Antarctic Coastline(TGRS)​​​​RINDNet: Edge Detection for Discontinuity in Reflectance, Illumination, Normal and Depth(ICCV)​​​​LEARNING DEEP MORPHOLOGICAL NETWORKS WITH NEURAL ARCHITECTURE SEARCH​​

​​遮挡边缘检测​​

​​2007​​

​​Recovering Occlusion Boundaries from a Single Image（ICCV）​​

​​2016​​

​​DOC: Deep OCclusion Estimation From a Single​​

​​2018​​

​​DOOBNet: Deep Object Occlusion Boundary Detection from an Image​​​​APPD: Adaptive and Precise Pupil Boundary Detection using Entropy of Contour Gradients​​

​​2019​​

​​Occlusion-shared and Feature-separated Network for Occlusion Relationship Reasoning​​​​CONTEXT-CONSTRAINED ACCURATE CONTOUR EXTRACTION FOR OCCLUSION EDGE DETECTION​​​​EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning​​

​​2020​​

​​Pixel-Pair Occlusion Relationship Map(P2ORM): Formulation, Inference & Application​​

​​2021​​

​​MT-ORL: Multi-Task Occlusion Relationship Learning​​​​Deep Occlusion-Aware Instance Segmentation with Overlapping BiLayers​​

概述

边缘检测（英语：Edge detection）是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括（i）深度上的不连续、（ii）表面方向不连续、（iii）物质属性变化和（iv）场景照明变化。 边缘检测是图像处理和计算机视觉中，尤其是特征检测中的一个研究领域。

本博文只介绍基于深度学习的边缘检测。

基于深度学习的边缘检测

一般的边缘检测

2019

Object Contour and Edge Detection with RefineContourNet

code : ​​采用基于resnet的多路径细化CNN进行目标轮廓检测。对于这项任务，我们优先考虑有效利用ResNet的高级抽象能力，这导致了最先进的边缘检测结果。记住我们的重点，我们按照特定的顺序融合了高、中、低级别的特性，这与许多其他方法不同。它使用具有最高层次特征的张量作为起点，将其与具有较低抽象级别的特征分层结合起来，直到达到最低层次。我们在一个改进的帕斯卡VOC2012数据集上训练该网络，用于目标轮廓检测，并在一个改进的帕斯卡-val数据集上进行评估，达到优异的性能和最佳数据集尺度(ODS)为0.752。此外，通过对BSDS500数据集的精细训练，我们得到了最先进的ODS为0.824的边缘检测结果。

Edge-Direct Visual Odometry

code : ​​在本文中，我们提出了一种边缘直接视觉测程算法，有效地利用边缘像素找到相对姿态，以最小化图像之间的光度误差。之前利用边缘像素的工作是将边缘视为特征，并使用各种技术来匹配边线或像素，这增加了不必要的复杂性。直接方法通常用于所有的像素强度，这被证明是高度冗余的。相比之下，我们的方法建立在直接视觉测程方法上，最小的添加计算。它不仅比直接密集方法更有效，因为我们使用一小部分像素迭代，而且更准确。我们通过仅从一张图像中提取边缘，可以获得较高的精度和效率，并利用鲁棒高斯-牛顿来最小化这些边缘像素的光度误差。这同时找到参考图像中的边缘像素，以及使光度误差最小的相对相机姿态。

2020

Dense Extreme Inception Network: Towards a Robust CNN Model for Edge Detection

code : ​​Difference Networks for Efficient Edge Detection

code: ​​近年来，深度卷积神经网络(CNNs)具有丰富而抽象的边缘表示能力，可以实现人类水平的边缘检测性能。然而，基于CNN的边缘检测的高性能是通过一个大的预训练CNN主干实现的，这是消耗内存和能量。此外，令人惊讶的是，在快速发展的深度学习时代，传统的边缘探测器，如Canny、Sobel和LBP，之前的智慧很少被研究。为了解决这些问题，我们提出了一个简单、轻量级但有效的架构，称为像素差异网络(PiDiNet)，用于有效的边缘检测。PiDiNet采用新的像素差卷积，将传统的边缘检测操作符集成到现代cnn中流行的卷积操作中，以提高任务性能，具有两者的优点。

HED-UNet: Combined Segmentation and Edge Detection for Monitoring the Antarctic Coastline(TGRS)

code : ​​Edge Detection for Discontinuity in Reflectance, Illumination, Normal and Depth(ICCV)

code: ​​边缘作为计算机视觉的基本组成部分，根据表面反射的不连续性可分为四种类型——表面反射、照明、表面正态线或深度。虽然在检测一般或个别边缘类型方面取得了很大的进展，但对所有四种边缘类型进行综合研究仍有待充分探索。在本文中，我们提出了一种新的神经网络解决方案，RINDNet，以联合检测所有四种类型的边。考虑到每种边类型的不同属性和它们之间的关系，RINDNet学习了每种边的有效表示，并分三个阶段工作。在阶段I中，RINDNet使用一个共同的主干来提取所有边共享的特征。

然后在第二阶段，它进行分支，通过相应的解码器为每个边缘类型准备鉴别特征。在第三阶段，每种类型的独立决策头汇总了前一阶段的特征来预测初始结果。此外，一个注意模块学习所有类型的注意映射，以捕获它们之间的潜在关系，并将这些映射与初始结果相结合，生成最终的边缘检测结果。为了进行训练和评估，我们构建了第一个公共基准，BSDS-RIND，并仔细注释了所有四种类型的边。在我们的实验中，与最先进的方法相比，RINDNet产生了很有希望的结果。补充的分析在补充材料中提出。

LEARNING DEEP MORPHOLOGICAL NETWORKS WITH NEURAL ARCHITECTURE SEARCH

code : ​​Occlusion Boundaries from a Single Image（ICCV）

开源地址： ​​Deep OCclusion Estimation From a Single

code: ​​Deep Object Occlusion Boundary Detection from an Image

code : ​​Adaptive and Precise Pupil Boundary Detection using Entropy of Contour Gradients

2019

Occlusion-shared and Feature-separated Network for Occlusion Relationship Reasoning

code: ​​ACCURATE CONTOUR EXTRACTION FOR OCCLUSION EDGE DETECTION

摘要： 遮挡边缘检测需要精确的位置和轮廓的上下文约束。现有的基于cnn的管道没有利用自适应方法来过滤由低水平特征引入的噪声。为了解决这一困境，我们提出了一种新的上下文约束精确轮廓提取网络(CCENet)。通过两个提取块分别保留空间细节和轮廓敏感的上下文。然后，利用精心设计的融合模块来集成特性，在恢复细节和消除杂乱方面发挥互补作用。注意机制的权重响应最终被用来增强遮挡轮廓和抑制噪声。所提出的CCENet在PIOD和BSDS所有权数据集上显著超过了最先进的方法。

EdgeConnect: Generative Image Inpainting with Adversarial Edge Learning

code: ​​在过去的几年里，深度学习技术在图像绘制方面取得了显著的改进。然而，许多这些技术不能重建合理的结构，因为它们通常是过度平滑和/或模糊的。本文提出了一种新的图像绘制方法，可以更好地再现显示精细细节的填充区域。我们提出了一个两阶段对抗模型边缘连接，包括一个边缘生成器和一个图像补全网络。边缘生成器对图像缺失区域的边缘（包括规则和不规则）产生幻觉，图像补全网络使用幻觉边缘作为先验来填充缺失区域。我们对公开的数据集CelebA、地点2和巴黎街景的模型进行了端到端评估，并表明它在定量和定性上都优于目前最先进的技术。

一种边缘生成器，能够在给定图像其余部分的边缘和灰度像素强度的缺失区域中产生幻觉。一种图像补全网络，它将缺失区域的边缘与图像其余部分的颜色和纹理信息相结合来填充缺失区域。一种端到端可训练的网络，它结合了边缘生成和图像补全，以填补显示出精细细节的缺失区域。

2020

Pixel-Pair Occlusion Relationship Map(P2ORM): Formulation, Inference & Application

code: ​​我们将二维图像中几何遮挡的概念形式化（即忽略语义），并提出了一种新的通过像素对遮挡关系的遮挡边界和遮挡方向的统一公式。前者提供了一种生成大规模精确遮挡数据集的方法，并在后者的基础上，提出了一种估计单一图像任务无关像素级遮挡关系的新方法。在各种数据集上的实验表明，我们的方法在此任务上优于现有的方法。为了进一步说明我们的公式的价值，我们还提出了一种新的深度图细化方法，以不断提高目前最先进的单眼深度估计方法的性能。

论文的贡献： （1）二维图像中几何遮挡的形式化； （2）一种在像素对水平上捕获遮挡关系的新公式，从中可以计算通常的边界和方向； （3）是一种在几个数据集上优于最先进的遮挡估计方法； （4）该公式的相关性的应用不断提高了最先进的单眼深度估计方法的性能。

2021

MT-ORL: Multi-Task Occlusion Relationship Learning

code: ​​由于图像中边界的稀疏性，检索单个图像中对象之间的遮挡关系具有挑战性。我们在现有的工作中观察到两个关键问题：一是缺乏能够利用两个子任务之间解码器阶段有限耦合量的架构，即遮挡边界提取和遮挡方向预测，二是遮挡方向的表示不当。在本文中，我们提出了一种新的阻塞共享路径分离网络(OPNet)，通过利用共享的高级特征中的丰富遮挡线索和任务特定的低层次特征中的结构化空间信息来解决第一个问题。然后，我们设计了一个简单但有效的正交遮挡表示(OOR)来解决第二个问题。在标准的PIOD/BSDS所有权数据集上，我们的方法超过了6.1%/8.3%的边界a方法和6.5%/10%的定向方法。

论文的贡献：

我们重新考虑遮挡关系推理的固有特性，与两个子任务相关：遮挡边界提取和遮挡方向回归。这促使我们提倡一种新的遮挡共享和路径分离网络(OPNet)，该网络具有视觉遮挡推理的辨别能力和表达能力的替代方案。我们进一步提出了鲁棒正交遮挡表示的预测遮挡方向(OOR)，解决了端点误差和角度周期性问题。该方法在PIOD[35]和BSDS所有权数据集[27]上都很有效，提供了明显更好的性能。

Deep Occlusion-Aware Instance Segmentation with Overlapping BiLayers

code: ​​分割高度重叠的对象是具有挑战性的，因为通常没有区分真实对象的对象轮廓和遮挡边界。与之前的双阶段实例分割方法不同，我们将图像形成建模为两个重叠层的组成，并提出了双层卷积网络(BCNet)，其中顶层GCN层检测遮挡对象（遮挡封堵器），底层GCN层推断部分遮挡实例（八封堵器）。利用双层结构的遮挡关系显式建模自然地解耦了遮挡和遮挡实例的边界，并在掩模回归过程中考虑了它们之间的相互作用。我们验证了双层解耦在具有不同骨架和网络层选择的起始位置和两阶段目标检测器上的有效性。

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。