文泽奇，林川，乔亚坤

摘  要： 轮廓检测旨在提取目标边界，是高级计算机视觉任务中获取图像基础信息的重要步骤.基于轮廓检测的卷积神经网络（convolutional neural networks，CNNs）模型分为编码网络和解码网络两个部分，关注点集中在采用不同的卷积方式进行解码或是采用逐级融合进行解码，忽略了对编码网络每一层信息的充分利用.针对这一问题，本文提出一种自底向上强化融合的轮廓检测模型：充分利用编码网络中的每一层信息，由低分辨率特征图至高分辨率特征图自底向上逐层融合;以不同空洞率的卷积搭建强化模块，进一步增强对特征信息的提取.从结果上看，本文所提模型既节省了计算机内部存储空间，同时在目前主流的数据集BSDS500上也取得优异成绩  （F-score = 0.819）.

关键词：轮廓检测;卷积神经网络;自底向上融合;空洞卷积

中图分类号：TP391.41        DOI：10.16375/j.cnki.cn45-1395/t.2021.04.007

0    引言

轮廓检测的目的是为给定图像的每一个像素分配一个标记，即轮廓或非轮廓像素，它被认为是计算机视觉中的基本任务，并且在诸如语义分割[1-2]、目标识别[3-4]等其他更高级别的任务中起重要作用.轮廓检测一直是一项极其困难的计算机视觉任务，对于复杂场景下的目标图像，尤其是纹理繁杂、对比度低以及含有大量噪声干扰的图像，很难获取理想效果，因此，如何合理设计轮廓检测模型以提取准确的轮廓信息仍然是计算机视觉及图像处理领域热门的研究方向.

早期轮廓检测方法通过求像素值的局部梯……