Pushing the Boundaries of Boundary Detection using Deep Learning
Iasonas Kokkinos Center for Visual Computing CentraleSupélec and INRIA Chatenay-Malabry, 92095, France
Abstract
In this work we show that adapting Deep Convolutional Neural Network training to the task of boundary detection can result in substantial improvements over the current state-of-the-art in boundary detection.
中文速览
边界检测（boundary detection）长期面临机器性能难以追上人类水平的挑战，这篇论文专门针对这一任务对深度卷积神经网络（Deep Convolutional Neural Network, DCNN）的训练流程进行了系统改进。作者提出了三项核心改进：用多示例学习（Multiple Instance Learning）处理人工标注位置不一致的问题、用渐进式深度监督（Graduated Deep Supervision）优化训练策略、以及引入多分辨率架构并结合外部数据扩充训练集；在此基础上，他们还将经典的归一化割（Normalized Cuts）技术嵌入网络，把深度学习与传统分组方法融合起来。在标准的伯克利分割数据集（Berkeley Segmentation Dataset）上，系统的ODS F值从此前最优的0.780提升至0.813，首次超越了人类标注者0.803的水平。这一结果不仅刷新了边界检测的性能记录，论文还进一步验证了该检测器能显著提升语义分割等高层视觉任务的表现，具有广泛的实用价值。
原文 arXiv:1511.07386;中英对照 + 大白话阅读 https://aha.fim.ai/paper/1511.07386v2