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