基于深度学习的类别敏感型边缘检测模型设计

摘要

边缘检测是图像处理领域中比较基础的研究问题，也是很多其他研究问题的技术基础。已有的传统方法并不具备特定边缘筛选功能，而基于深度学习的方法虽然可以进行特定边缘的筛选和分类任务，但是存在着精度不高的问题。对于一些要求较高的任务如医学图像中特定类别细胞的精细分割等，现有算法并不能满足需求。为此，本文提出了一种更高精度的基于深度学习的类别敏感型边缘检测模型。 经研究分析现有模型的特点并结合改进思路提出了一个新的类别敏感型边缘检测模型，在模型设计过程中主要从特征的融合策略、监督学习策略，损失函数设计这三个方面进行考虑。特征融合方面，为补偿由于网络加深导致的细节特征损失，使用了多层级特征融合方式把模型前三个阶段的层级特征融合到最后的多分类特征中。在监督学习策略设计方面，采用了深监督学习方式，在模型的前三个阶段改进使用了一种标签尺度自适应的二值边缘监督，在最后多分类阶段使用一种新的交替监督方式。为了达到理想的监督效果，对损失函数进行了特定的设计，对二值边缘和初次多分类边缘的监督使用重置权重的交叉损失熵函数，而对最终的多分类结果则采用的是一般的交叉损失熵函数。 为了验证模型的有效性，选取了SBD和Cityscape这两个公有数据集进行数据验证，对比模型选取CASENet模型。测试结果表明，模型在SBD数据集上的平均ODS F-measure提升了3%，在Cityscape数据集上提升了6%，验证了设计模型所使用策略的有效性。

目录

第一个书签之前