深度学习框架下的轻量级边缘检测方法研究.pdf

中文摘要

边缘信息作为图像中的关键特征之一，对于准确理解和解释图像内容至关重要。

在实际应用中，检测边缘信息不仅用于目标定位和识别，还对于图像的语义分析和

场景理解等任务起到了决定性作用。因此，提高边缘检测的准确性和效率对于推动

计算机视觉技术的发展至关重要。

传统的边缘检测方法主要通过对图像中灰度变化明显的像素进行检测，以识别

出物体边界的位置。这种方法易于实现，但是对噪声过于敏感，检测的边缘不完整。

随着深度学习的发展，传统的方法逐渐被深度模型取代，这些深度模型在很大程度

上提高了边缘检测精度，然而，模型通常也伴随着大量的参数和计算负担，限制了

其在资源受限环境下的应用。随着移动端设备和嵌入式系统的普及，对于边缘检测

任务的实时性和资源消耗提出了更高的要求。因此，本论文旨在深入研究深度学习

框架下的轻量级边缘检测方法，以寻求一种在保持高效性能的同时降低计算成本的

解决方案，以推动边缘检测技术在各个领域的广泛应用。主要研究工作如下：

1

（）提出了一种聚焦像素点的轻量级边缘检测网络。该网络的设计旨在以像素

点为中心兼顾局部细节特征和远距离依赖信息，精准地捕捉图像中的边缘信息。通

过多尺度多层次的像素差分卷积网络，巧妙地利用像素之间的差异性高效提取图像

的细节特征，并借助扩张卷积进行特征增强。同时，使用1×1逐点卷积方法对局部

特征和显著特征进行多通道融合。此外，本网络还引入了基于窗口的像素级多头自

注意力机制和内部残差的MLP，不仅可以快速进行特征拟合，并且能够在不增加模

BIPEDBSDS500

型负载的情况下利用像素之间的相关性提取图像上下文信息。在、

和MDBD三个数据集上进行的一系列实验结果表明，该网络具备更加丰富且准确的

边缘检测能力。

2

（）提出了一个轻量且高效的紧凑型边缘检测网络。首先，在特征提取阶段，

网络改变了传统的卷积层连接方式，采用密集连接方式搭建了一个紧凑型的特征提

取网络，在减少模型规模的同时有效提取了图像的低级到高级特征信息。其次，利

用反卷积块代替了常规的上采样方法，以更精准地捕捉图像信息。最后，借助深度

可分离卷积组建了一个融合模块，并通过双重深度融合的方式更充分地保留了图像

各通道特征信息。通过在BIPED、BSDS500和NYUD三个数据集上进行训练、测

试以及消融实验，并与一些经典边缘检测网络进行比较分析。结果表明，该网络很

I

好地平衡了指标精度和网络复杂度。

3

（）开发了一款基于深度学习的轻量级图像边缘检测系统。该系统建立在本文

提出的两个网络架构基础上，具备本地图片选取、实时边缘检测和边缘图像保存等

功能，为用户提供了直观清晰的界面，使操作更加简便。

关键词：边缘检测；轻量级；像素差异性；像素相关度；深度融合

II

ABSTRACT

Edgeinformation,asoneofthekeyfeaturesinimages,iscrucialforaccurately

understandingandinterpretingimagecontent.Inpracticalapplications,detectingedge

informationisnotonlyusedfortargetlocalizationandrecognition,butalsoplaysa

decisiveroleintaskssuchassemanticanalysisandsceneunderstandingofimages.

Therefore,improvingtheaccuracyandefficiencyofedgedetectionisessentialfor

advancingthedevelopmentofcomputervisiontechnology.

Tr