摘要

边界和边缘线索在提高多种视觉任务（如语义分割、物体识别、立体视觉和物体提议生成）方面具有重要作用。近年来，随着深度学习的发展，边缘检测问题得到了重新审视并取得了显著进展。虽然经典的边缘检测本身就是一个具有挑战性的二分类问题，但类别感知的语义边缘检测本质上是一个更为复杂的多标签问题。我们对这一问题进行了建模，使得每个边缘像素可以与一个以上的类别相关联，因为它们可能出现在属于两个或多个语义类别的轮廓或交点处。为此，我们提出了一种基于ResNet的新型端到端深度语义边缘学习架构以及一种新的跳层架构，在该架构中，顶层卷积层的类别特定边缘激活与同一组底层特征共享并融合。随后，我们提出了一种多标签损失函数来监督这些融合后的激活。实验结果表明，我们的提出的架构在性能上对此问题有显著提升，并且在SBD和Cityscapes等标准数据集上大幅超越了当前最先进的语义边缘检测方法。