EDTER:基于transform的边缘检测

您所在的位置：网站首页 › layernorm的作用 › EDTER:基于transform的边缘检测

EDTER:基于transform的边缘检测

#EDTER:基于transform的边缘检测| 来源: 网络整理| 查看: 265

https://github.com/MengyangPu/EDTER

Related Work

边缘检测作为计算机视觉的一项基本任务，多年来得到了广泛的研究。下面重点介绍与该论文相关的一些工作。

Edge Detection: 早期的边缘检测器，如Sobel、Canny主要是对图像进行梯度分析，提取边缘。这些方法提供了基本的底层cues，广泛应用于计算机视觉领域。基于Learning-based的方法整合不同的低层特征训练分类器得到边界和边缘，这些方法基于手工制作的特征，限制了检测语义边界和有意义的边缘的能力。DeepEdge、HED、RCF、BDCN、PiDiNet（主要阐述了前人做的工作，见原文）。

transformer: DETR、ViT、SETR，这些工作证明了transformer在获取远程依赖关系和全局上下文信息的有效性。

阐述该论文的创新点：第一个将transformer应用于边缘检测。

通过一个两阶段框架来学习全局和局部图像上下文信息。

融合了全局和局部cues。

Edge Detection with Transformer

Overview

EDTER分两阶段提取整幅图像的上下文信息和fine-grained cues。阶段1中，将图像分割成coarse-grained patches并且run一个全局transformer编码器来获取long-range的上下文信息。然后，develop BiMLA解码器生成高分辨率的representations用于边缘检测。阶段2中，首先通过不重叠的滑动窗口将整个图像分割成多个fine-grained patches序列，然后一个局部transformer作用于每个序列来提取short-range局部 cues。然后将局部cues输入到局部BiMLA解码器获取像素级特征图。最后通过FFM融合两个阶段的信息然后输入到决策头进行最终的边缘预测。

Review Vision Transformer

本文采用的transformer encoders遵循ViT。

Image Partition：ViT的第一步是将2D图像X(H×W×3)转换为1D的图像patches序列。也就是将X分割成尺寸为P×P的flattened image patches，产生H/P×W/P的vision tokens。然后，通过learnable linear projection将序列投影到一个隐藏的embedding space。为了保留位置信息，在patch embeddings中加入标准的可学习的1D position embeddings。最后，将组合好的embedding输入到transformer encoder。

Transformer Encoder：标准的transformer encoder 是由L个transformer blocks组成。每个块有多头自注意力操作（MSA）、一个多层感知机（MLP）、和两个Layernorm,此外，每个块应用一个残差连接。MSA并行执行M自注意力并输出他们的concat结果。

Stage I: Global Context Modeling

在第一个阶段，通过全局tranformer encoder Ge和全局解码器Gd来提取coarse-grained patches全局上下文特征。

首先，将输入图像分成一系列尺寸为16×16的 coarse-grained patches，然后生成embedding (Zg0)作为编码器的输入。下一步全局tranformer encoder 作用于embedding(Zg0)计算全局的注意力。得到全局上下文特征Zg序列被全局解码器Gd上采样到高分辨率特征进行合并。

BiMLA Decoder: 生成边缘感知的像素级表示对于精确的边缘检测至关重要。受多级特征融合的影响，提出了双向多级聚合解码器（BiMLA）

BiMLA包括一个自顶向下和自底向上的路径来增强信息的流通在transformer encoder。首先，将Lg个transformer blocks分成四组，从每组的最后一个block中拿出embedding features(Zg6,Zg12,Zg18,Zg24) 作为输入。然后将他们reshape成3D特征图（H/16×W/16×C）。对于自顶向下的路径，分配相同的设计（一个1×1卷积和3×3卷积层）作用于reshaped feature得到四个输出features(t6,t12,t18,t24),遵循SETR-MLA的方法。同样地，自底向上的路径从最底层逐步到顶层，分配3×3卷积层到多级特征上，最后产生另外四个输出features(b6,b12,b18,b24)。每个聚合特征通过一个反卷积block,包含4×4和16×16两个反卷积层。每个反卷积之后加入BN和ReLU。双路径来的八个特征图进行concat操作得到一个tensor。BIMLA使用额外的卷积层来平滑features，包括三层3×3卷积层和一个1×1卷积层+BN+ReLU。

Stage II: Local Refinement

因为16×16的patches不利于提取 thin edges，将像素作为tokens是一种直接的方法，但是，这将导致计算负担很大，在实际应用中不可行。作者的解决方法是用一个不重叠的滑动窗口进行采样，然后计算采样区域中的attentions。由于窗口中的patches的数量是固定的，计算复杂度和图像大小成线性关系。

采用H/2×W/2的滑动窗口，将输入图像分成{X1,X2,X3,X4}的序列。对于每个窗口，分割成8*8的fine-grained patches，通过局部tranformer编码器Re,计算attentions。然后，将所有窗口的attentions进行concat得到Zr={Zr1,···，ZrLr}。为了进一步节省计算资源，将Lr=12,也就意味着局部tranformer编码器由12个transformer blocks组成。与全局BiMLA类似，选择{Zr3,Zr6,Zr9,Zr12}输入到局部BiMLA Rd生成局部高分辨率特征。

Feature Fusion Module：通过一个特征融合模块整合了来自于两个levels的上下文cues,并利用局部决策头来预测边缘。FFM将全局上下文作为先验知识并对局部上下文进行modulates(调节)，生成包含全局上下文和细粒度局部细节的融合特征。FFM由空间特征transform block和两个3×3卷积层组成，然后进行BN和ReLU。前者用于调节，后者用于平滑。然后将融合特征输入局部决策头Rh，预测出边缘图Er。

Network Training

训练方法：首先优化阶段1生成的全局特征，然后对参数进行修正并训练阶段2生成边缘图。

损失函数的设计：