Démélange des caractéristiques convolutives pour une détection précise des contours

Cet article présente une stratégie d’analyse contextuelle (CATS) pour la détection précise des contours à l’aide de détecteurs profonds de contours, fondée sur l’observation selon laquelle l’ambiguïté de localisation des détecteurs profonds de contours provient principalement du phénomène de mélange dans les réseaux de neurones convolutifs : le mélange des caractéristiques lors de la classification des contours, ainsi que le mélange latéral lors de la fusion des prédictions latérales. La CATS se compose de deux modules : une nouvelle fonction de perte d’analyse qui réalise un démélange des caractéristiques en suivant les contours pour améliorer l’apprentissage des contours latéraux, et un bloc de fusion sensible au contexte qui attaque le problème du mélange latéral en combinant les avantages complémentaires des contours latéraux appris. Les expériences montrent que la CATS proposée peut être intégrée aux détecteurs profonds modernes de contours afin d’améliorer la précision de localisation. Avec un squelette VGG16 de base, sur le jeu de données BSDS500, la CATS améliore respectivement de 12 % et 6 % la mesure F (ODS) des détecteurs profonds de contours RCF et BDCN, lorsque l’évaluation est effectuée sans recourir à la suppression non maximale morphologique pour la détection des contours.