hed

全局嵌套边缘检测

我们开发了一种新的边缘检测算法 — — 全局嵌套边缘检测 (HED)，该算法利用 深度学习 模型来进行图像到图像的预测，该模型采用全卷积神经网络和深度监督网络。 HED 会自动学习丰富的层次化表示 (由侧响应的深度监督引导)，这些表示在检测边缘和物体边界时非常重要，有助于解决检测中存在的复杂性。我们在 BSD500 数据集 (ODS F 分数为 .790) 和 NYU 深度数据集 (ODS F 分数为 .746) 上显著提高了现有的最佳水平，同时提高了速度 (每张图像 0.4 秒)。有关该系统的详细描述请参阅我们的 论文。

引用

如果您已经下载了 HED 的旧版本（测试代码），请注意，我们已将代码基础更新为新版 Caffe。我们上传了一个性能更好的新的预训练模型。我们采用了专门为 FCN 论文编写的 Python 接口，而不是我们自己的实现进行训练和测试。评估协议没有变化。

我们提供了边缘检测框架 Holistically-Nested Edge Detection (HED) 的预训练模型和训练/测试代码。请参阅 Arxiv 或 ICCV 论文中的技术细节。预训练模型（融合输出）在 BSDS 基准数据集上获得了 ODS=0.790 和 OIS=0.808 的结果。 0. 从 (https://vcl.ucsd.edu/hed/hed_pretrained_bsds.caffemodel) 下载预训练模型（56MB），并将其放置在 examples/hed/ 目录中。