[發明專利]一種基于邊緣檢測優化人類標簽的方法及裝置

有效

• 申請號: 202310459223.3
• 申請日: 2023-04-26
• 公開（公告）號: CN116188511B
• 公開（公告）日: 2023-07-18
• 發明（設計）人: 鄧正秋;楊易
• 申請（專利權）人: 湖南馬欄山視頻先進技術研究院有限公司
• 主分類號: G06T7/13
• 分類號: G06T7/13;G06V10/774;G06V10/82;G06N3/045;G06N3/0475;G06N3/094
• 代理公司: 長沙伊柏專利代理事務所(普通合伙) 43265
• 代理人: 周正雄

本發明提供了一種基于邊緣檢測優化人類標簽的方法及裝置，所述方法包括如下步驟：S1，獲取圖像的人類邊緣標簽和所述圖像的canny邊緣檢測標簽；S2，將所述人類邊緣標簽和所述邊緣檢測標簽的重疊部分作為初始邊緣圖；S3，使用預先訓練好的生成式對抗網絡對所述初始邊緣圖進行恢復，得到恢復后的邊緣圖。本發明的基于邊緣檢測優化標簽的方法，通過Canny邊緣檢測技術，結合生成網絡，迭代的修正人工標注的標簽，在訓練開始前從根本上有效細化最后的結果。可以解決人工標注的邊緣標簽存在噪聲的問題。

技術領域

本發明涉及圖像處理技術領域，具體來說，涉及一種基于邊緣檢測優化人類標簽的方法及裝置。

背景技術

邊緣檢測是一項被長期研究的計算機視覺技術，用于檢測物體邊界和圖像中視覺上突出的邊緣。大部分已有的基于深度學習的邊緣檢測技術，都著重關注邊緣的準確性，而忽略了邊緣的細化程度。這樣會導致許多互相靠近的邊緣產生歧義，明明是兩條邊，看起來確糊成了一條更粗的邊，也找不到準確的位置了。

已有一些相關技術來解決此問題，比如：

1）針對訓練用的損失函數：文獻1針對傳統二元交叉熵可能導致邊緣變粗的問題，提出了一種新的訓練損失函數Dice?loss。該方法一定程度上獲得了更細的邊緣，但是損失了一定的準確性，也導致了邊緣的響應更弱了。

2）針對在訓練過程過實時同步的調整標簽：文獻2和文獻3在訓練中基于主動輪廓法，不斷的調整更新訓練用的標簽，使得標簽更準確，從而獲得更細的邊緣，但是此方法非常依賴于初始化和訓練策略的設置。

3）針對引入額外模塊來調整結果：文獻4和文獻5分別引入了不同的修正架構，來使深度學習網絡輸出的邊緣圖相對更細，但是這類方法一般需要在已有基礎上引入新的模塊，帶來了額外的計算開銷。

文獻1：R.?Deng,?C.?Shen,?S.?Liu,?H.?Wang,?and?X.?Liu,?“Learning?topredict?crisp?boundaries,”?in?Proceedings?of?the?European?Conference?onComputer?Vision?(ECCV),?2018,?pp.?562–578.

文獻2：?Z.?Yu,?W.?Liu,?Y.?Zou,?C.?Feng,?S.?Ramalingam,?B.?Kumar,?andJ.?Kautz,“Simultaneous?edge?alignment?and?learning,”?in?Proceedings?of?theEuropean?Conference?on?Computer?Vision?(ECCV),?2018,?pp.?388–404.

文獻3：D.?Acuna,?A.?Kar,?and?S.?Fidler,?“Devil?is?in?the?edges:Learning?semantic?boundaries?from?noisy?annotations,”?in?Proceedings?of?theIEEE/CVF?Conference?on?Computer?Vision?and?Pattern?Recognition,?2019,?pp.?11075–11?083.

文獻4：?Y.?Wang,?X.?Zhao,?and?K.?Huang,?“Deep?crisp?boundaries,”?inProceedings?of?the?IEEE?conference?on?computer?vision?and?patternrecognition,?2017,?pp.?3892–3900.