摘要

利用多尺度表示对于提高不同尺度物体的边缘检测至关重要。为了提取显著不同尺度的边缘，我们提出了一种双向级联网络（Bi-Directional Cascade Network, BDCN）结构，其中每个层由其特定尺度的标记边缘进行监督，而不是直接对所有卷积神经网络（CNN）输出应用相同的监督。此外，为了丰富BDCN学习到的多尺度表示，我们引入了一个尺度增强模块（Scale Enhancement Module, SEM），该模块利用膨胀卷积生成多尺度特征，而不是使用更深的CNN或显式融合多尺度边缘图。这些新方法鼓励在不同层中学习多尺度表示，并检测与其尺度良好匹配的边缘。学习专门针对特定尺度的层还导致了参数量大幅减少的紧凑网络。我们在三个数据集上评估了我们的方法，即BSDS500、NYUDv2和Multicue，并在BSDS500上达到了ODS F值为0.828，比当前最先进的方法高出1.3%。代码已发布在https://github.com/pkuCactus/BDCN。