Entmischung konvolutionaler Merkmale für scharfe Kantenentdeckung

Diese Arbeit präsentiert eine kontextbewusste Verfolgungsstrategie (CATS) für eine scharfe Kantenextraktion mit tiefen Kanten-Detektoren, basierend auf der Beobachtung, dass die Lokalisationsambiguität tiefgelegener Kanten-Detektoren hauptsächlich durch das Mischphänomen von Faltungsneuralen Netzen verursacht wird: Feature-Mischung bei der Kantenklassifizierung und Seitensignal-Mischung während des Fusionsprozesses der Seitenvorhersagen. Die CATS besteht aus zwei Modulen: einem neuartigen Verfolgungsverlust, der durch Kantenverfolgung eine Feature-Entmischung ermöglicht und somit die Lernleistung für Seitensignale verbessert, sowie einem kontextbewussten Fusionsblock, der die Seitensignal-Mischung durch die Aggregation der ergänzenden Vorteile der gelernten Seitensignale reduziert. Experimente zeigen, dass die vorgeschlagene CATS nahtlos in moderne tiefe Kanten-Detektoren integriert werden kann, um die Lokalisationsgenauigkeit zu steigern. Bei Verwendung des grundlegenden VGG16-Backbones erreicht die CATS auf dem BSDS500-Datensatz eine Verbesserung des F-Maßes (ODS) um 12 % bei RCF und um 6 % bei BDCN, wobei keine morphologische nicht-maximale Unterdrückung zur Kantenextraktion verwendet wird.