张晓 林川 王蕤兴

摘  要：轮廓检测旨在提取自然场景中目标形状以及区域与区域之间显著的分界线，是计算机视觉中的研究热点之一.近几年，基于卷积神经网络的轮廓检测模型取得了显著突破，这些模型由编码网络和解码网络两部分构成.编码网络一般采用现有的VGG16网络，研究者主要致力于解码网络设计.考虑到自然图像中包含许多不同尺度的轮廓，充分利用丰富的层级特征对于轮廓检测非常重要.因此，从充分利用多尺度特征的角度出发，提出一种能够有效整合不同尺度卷积特征信息的解码网络结构.将输入信息分成浅层、中层和深层3种特征，利用解码网络分别对不同尺度的特征进行整合，最后平均融合3种特征，进行图像到图像的轮廓预测，在BSDS500数据集上对模型进行评估.对比实验结果表明，模型预测的轮廓清晰，最佳数据集尺度指标达到了0.818，具有较好的性能评估指标.

关键词：轮廓检测;卷积神经网络;解码网络;多尺度特征;计算机视觉

中图分类号：TP391.41        DOI：10.16375/j.cnki.cn45-1395/t.2021.03.010

Zhang等[18]引入注意力机制，提出一种实时的注意力边缘检测框架，虽然检测精度一般，但是帧数很高.Lin等[19]提出基于权重卷积和临近连接的解码网络结构，该网络被称为横向提纯网络（lateral refined network，LRNet），能够较好地整合不同层次的特征信息.

上述CNN模型已经显著地提升了轮廓检测的性能水平.这些方法使用VGG16作为编码网络，只利用每个阶段最后1层的卷积特征，这样的做法不能充分利用VGG16豐富……