Recursos Convolucionais Mais Ricos para Detecção de Bordas

A detecção de bordas é um problema fundamental na visão computacional. Recentemente, redes neurais convolucionais (CNNs) avançaram significativamente neste campo. Métodos existentes que adotam camadas específicas de CNNs profundas podem falhar em capturar estruturas de dados complexas causadas por variações de escalas e relações de aspecto. Neste artigo, propomos um detector de bordas preciso usando recursos convolucionais mais ricos (RCF). RCF encapsula todos os recursos convolucionais em uma representação mais discriminativa, que faz bom uso de hierarquias de recursos ricas e é passível de treinamento via retropropagação. RCF explora totalmente a informação multiescalar e multilocalizada dos objetos para realizar a previsão de imagem para imagem de forma holística. Usando a rede VGG16, alcançamos desempenho de ponta em vários conjuntos de dados disponíveis. Ao avaliar no conhecido benchmark BSDS500, alcançamos uma medida F-ODS de 0.811 enquanto mantemos uma velocidade rápida (8 FPS). Além disso, nossa versão rápida do RCF alcança uma medida F-ODS de 0.806 com 30 FPS. Também demonstramos a versatilidade do método proposto aplicando bordas RCF para segmentação clássica de imagens.