| OEF | Oriented Edge Forests for Boundary Detection | CVPR 2015 | [code] |
边缘检测的问题有用神经网络学习sparse code channel和hypothesized edge orentation的权重,也有用random或者cascade决策树是输入feature进行预测,更甚有不只是输入feature 和output space,他们用sparse coding或者structured-output 决策树来做的
本文用的不用non-parametric的方法,而是用随机决策树,只适用于大且平滑的物体
几个部分:
2.分离一个patch的边的方法
.一个图分为pxp个patch,每块分为有/无边缘,有边缘的块根据边到patch中心的距离与方向记为(distance,orientation),即(d,角度),值得注意的是(d,角度)与(d,角度+π)看起来一样,但方向不一样
这样预测就直白多了,To be useful, the estimate of 角度 should reflect the dominant edge direction around q, and be robust to small directional changes at q.
所以把所有含边的pixes练成一个list,再分为sublist,sublist中是连接发生的地方,We then measure the angle at q by fitting a polynomial to the points around q that are in the same list. In our experiments we use a fitting window of 正负6 pixels.
论文还解决了毛化的假边(通过去掉长度小于7pixes的假边),还通过morphological operations来补洞,并把线条细化到只有一pix的宽度
3.如何用这种label分离的办法来训练一个随机树
决策树生成k个方向,和每个位置(d),可视为k分类问题
未完待续