cvpr2015papertranslation-无人系统智能视觉感知团队.pdfVIP

指导教师 ： 杨涛 提交时间： 2016/3/17 CV PR20 15 Paper Translation No: 01 姓名 ： 高俊龙 学号 ： 2013302571 班号 ： 数字图象处理作业 The task of Digital Image Processing 深度轮廓：正数共享损失轮廓侦察的深度卷积特性 1 2 3 2 1 申伟 ,王星光 , 王艳 , 白项 , 张志江 1 上海大学特种光纤与光接入网重点实验室 2 华中科技大学电子信息与通信学院 3 南洋理工大学对象搜索实验 摘要 轮廓检测是用作各种计算机视觉 本的问题。许多任务是以正确地检测 任务的基础如图像分割和目标识别。 物体轮廓为基础的任务，例如图像分割 而我们的主流工作致力于解决这个问 [2]，场景理解[3]和物体检测[17，30， 题关注设计工程梯度特性，在这项工 48] 。 轮廓检测是相当具有挑战性的，比 作中，我们表明轮廓检测精度可以改 边缘检测更加困难。根据马丁的定义 善但可以不是通过卷积神经网络（细 [34]，后者的目的是检测在亮度，颜色 胞神经网络）得到的。我们通过自定 和质地的特性的变化; 与此相反，前者 的目标是寻找从一个物体或表面到另 义分区轮廓（正）数据转换成子类和 一个像素所有权的改变。因此，轮廓 装配不同的模型参数子类来制定培训 涉及对象的概念，其投射一个障碍给 战略，当然我们不是使用网络作为一 我们：如何辨别杂乱纹理引起的变化 个黑盒子特征提取。一个新的命名为 和那些对应于对象的边界的变化？许 多研究人员倾注了自己的努力解决这 共享正损的损失函数，他的每个子类 一问题，并取得了的进展[34，32，38， 股共享整个大类的损失，我们建议学 2 ，39，30，11，23 ，12]。然而，算法 习他的参数。相对于 SOFTMAX 损失 和人类注释给定轮廓检测观察到了明 显的性能差距。用于轮廓检测的传统 函数，我们所提出的函数引入了额外 框架设计了多种用于每个图像像素梯 的正则化来强调的积极和消极的类损 度特征，随后通过学习二元分类，以 失，这有利于探索更具有特征的损失。 确定一个图像的像素是否为轮廓。在 过去的十年中，虽然手设计的功能被 我们的实验结果证明,学习深度特性可 广泛应用同时支持标准的轮廓检测指 以实现伯克利分割数据集和水准 标排名靠前的算法[35，2] ，但我们不 (BSDS500) 的最佳性能和获得竞争交 能忽视一个事实，他们没有足够的辨 叉数据泛化结果NYUD 数据集。 别能力去区分语义的目标边界和低级