王衢 林川 陈永亮

摘  要：传统的基于卷积神经网络的轮廓检测方法多为由编码网络和解码网络构成的编解码结构，存在轮廓定位不准确、输出轮廓模糊的问题。为解决这一问题，提出一种基于离散变分自编码器的轮廓检测方法。该方法舍弃了解码网络，利用离散变分自编码器的编码器和解码器分别配合编码网络进行训练和轮廓输出，并设计了带有动态权重的损失函数，用于解决本文方法在训练过程中遇到的类别分布极不均衡的问题。基于BIPED数据集，本文的轮廓精细度实验表明本文方法在更严格的评估标准下优于最新方法DexiNed。在一般的评估标准下，本文方法的ODS F-measure能够达到0.889，比最新方法DexiNed提高了3.0%。研究结果表明，对离散变分自编码器的利用不仅能帮助模型提高轮廓精细度，也能显著提高模型的轮廓检测性能。

关键词：轮廓检测;深度学习;离散变分自编码器;计算机视觉;交叉熵损失函数

中图分类号：TP391.41      DOI：10.16375/j.cnki.cn45-1395/t.2022.03.002

0    引言

在计算机视觉领域中，轮廓检测作为一项基础视觉任务，旨在检测自然图像中具有视觉显著性的轮廓。对于一些高级的视觉任务，如目标检测[1]、目标跟踪[2]、光流检测[3]以及图像分割[4-5]等，轮廓检测通常是其基础或作为其辅助，轮廓信息的质量直接影响了这些任务的性能。为了更好地服务于这些高级视觉任务，研究者们一直致力于探索性能更加优良的轮廓检测方法。

近年来，基于卷积神经网络的轮廓检测方法[6]将轮廓检测性能提升到了一个新的台阶。……