典型文献
多尺度卷积神经网络的图像边缘检测
文献摘要：
在受图像拍摄条件、图像内容自身复杂性、图像内容与背景接近程度等多种因素的影响,图像的边缘线检测容易发生漏检、误检.因模型自身设计缺陷或训练样本中边缘像素点与非边缘像素点的不平衡原因,多数算法的图像边缘检测结果普遍存在线条粗、质量较低的问题.提出一种多尺度卷积神经网络模型,由三个分别接受一幅图像的不同尺度输入的子网络结构组成,分别在不同尺度视觉下学习图像的边缘知识.然后按尺度从粗到细对各尺度提取的知识特征进行融合,实现边缘轮廓检测.模型充分利用多尺度技术在图像处理领域的优势,同时引入了自注意力机制以提升卷积特征内部关联性的捕获能力.本文提出了一个新的损失函数,由交叉熵损失函数和L1范数组成,避免训练样本非均衡性对训练模型的影响.使用指标ODS、OIS、AP度量图像边缘检测的质量.在BIPED数据集上测试,三个指标的得分分别为0.845,0.856,0.886.在BSDS500数据集上测试,算法在F-measure指标上得分为0.826.实验结果表明,与其它学习型的算法相比,算法输出图像边缘结果漏检率更低、且质量更高.
文献关键词：
计算机视觉;卷积神经网络;自注意力集中;多尺度技术
中图分类号：
作者姓名：
石昌友;孙强;卢建平;夏榕泽;刘锦锋
作者机构：
陆军工程大学通信士官学校 重庆400035
文献出处：
引用格式：
[1]石昌友;孙强;卢建平;夏榕泽;刘锦锋-.多尺度卷积神经网络的图像边缘检测)[J].电子测量技术,2022(08):121-128
A类：
BIPED,自注意力集中
B类：
多尺度卷积神经网络,图像边缘检测,近程,边缘线,设计缺陷,训练样本,像素点,数算,线条,卷积神经网络模型,一幅,不同尺度,子网络,结构组成,粗到细,知识特征,边缘轮廓检测,多尺度技术,自注意力机制,卷积特征,获能,交叉熵损失函数,L1,范数,数组,非均衡性,训练模型,ODS,OIS,AP,BSDS500,measure,上得,学习型,出图,漏检率,计算机视觉
AB值：
0.340514
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
