摘要
本文提出了一种面向深度边缘检测器的上下文感知追踪策略（Context-Aware Tracing Strategy, CATS），用于实现精确的边缘检测。该策略基于一个关键观察：深度边缘检测器在定位上的模糊性主要源于卷积神经网络中的混合现象，具体表现为边缘分类过程中的特征混合，以及侧边预测融合过程中的侧边混合。CATS由两个模块构成：一是新颖的追踪损失函数，通过边界追踪实现特征解混，从而提升侧边边缘的学习效果；二是上下文感知融合模块，通过聚合学习到的侧边边缘之间的互补优势，有效缓解侧边混合问题。实验结果表明，所提出的CATS可无缝集成至现代深度边缘检测器中，显著提升边缘定位精度。在不使用形态学非极大值抑制（non-maximal suppression）策略的情况下，基于VGG16主干网络，在BSDS500数据集上，CATS分别将RCF和BDCN深度边缘检测器的F-measure（ODS）指标提升了12%和6%。