[人工智能]Dense Extreme Inception Network Towards a Robust CNN Model for Edge Detection

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

DexiNed:一种用于边缘检测的鲁棒CNN模型

• Xception结构

• DexiNed结构

• DexiNed可以看作是两个子网络构成：Dexi和UB.

  • Dexi网络有6个主要块的编码器组成，借鉴Xception，蓝色块有两个卷积层组成，3×3卷积核——BN——ReLU(除了最后子块中的最后一个卷积无)，max-pooling也是核大小为3×3，stride为2.整个结构同样遵循多尺度，相应也会有上采样过程。

  • 和Xception不同点：

    • 本文使用标准卷积，最后输出是二维的，取消“Exit flow”，而是在第5块后添加了另一个块（第5，6块无max-pooling，第6块有256个filters，第4，5块设置512个filters，不是728个）
    • 本文有两种跳跃连接，顶部和底部的绿色矩形。为什么提出底部的绿色矩形？由于进行了很多卷积，每个深度块都损失了重要的边缘特征，只有一个主连接是不够的，从第四卷积层边缘特征损失更混乱。因此，从第3块开始，对每个子块的输出进行边连接平均(图3中橙色方形)。受ResNet和RDN启发

  • 

  • UB 由条件堆叠子块组成。 每个子块有 2 层，一层是卷积层，另一层是反卷积层；有两种类型的子块:

    • 第一个子块（sub-block1）是从Dexi模块或子块2馈入的； 它仅在特征图和真值图之间的比例差等于 2 时使用。sub-block1设置如下：卷积层的核大小1×1； 后跟一个 ReLU 激活函数； deconv 层或转置卷积的内核大小 s × s，其中 s 是输入特征图的尺度级别； 两层都返回一个过滤器，最后一层给出与 GT 大小相同的特征图。 最后一个 conv 层没有激活函数。
    • 当差异大于 2 时，考虑另一个子块（子块 2）。迭代该子块，直到特征图比例相对于 GT 达到 2。subblock2 的设置与 sub-block1 类似，只是过滤器的数量有一个不同，即 16 而不是 subblock1 中的 1。 例如，Dexi 中块 6 的输出特征图的尺度为 16，在馈入子块 1 之前，子块 2 中将进行 3 次迭代。 子块的第二层上采样过程可以通过双线性插值、子像素卷积和转置卷积进行。

• 损失函数（加权交叉熵损失函数）

  • 

  • X为输入图像，Y为其各自的ground truth， $Y=e(X,Y)$是预测边缘图的集合。其中W是所有网络参数的集合， $\omega$ 是n个相应的参数，δ是每个尺度级别的权重。 $\beta$=|Y负|/|Y正+ Y负|，(1-$\beta$)=|Y正|/|Y正+Y负|，Y负和Y正分别代表GT（Groud Truth）中的边缘和非边缘。

• 评价指标

  • 参考：
    • https://www.cnblogs.com/jiangnanyanyuchen/p/13868320.html（Matlab）
    • https://blog.csdn.net/AAAAshin/article/details/108042346
  • ODS
  • OIS
  • AP

• 上采样中涉及的双线性插值、亚像素卷积和转置卷积

  • 将特征图放大常见的方法有直接上采样，双线性插值，反卷积等等。还有在超分辨率中经常使用的upscale方法——sub-pixel convolution。
  • 反卷积、上采样、上池化、子像素卷积的联系与区别