张芷铭的个人博客HED（全嵌套边缘检测）通过多尺度深度学习提取高质量图像边界，解决传统算法对噪声敏感和弱边缘断裂的问题。
核心原理
HED 基于 VGG16 全卷积网络，采用多尺度特征融合 + 分层监督：
| 模块 | 功能 |
|---|---|
| 骨干网络 | 浅层提取边缘/纹理，深层提取语义轮廓 |
| 侧边输出 | 每层生成边缘图，融合得到最终结果 |
| 分层监督 | 各层级单独计算损失，强制全网络学习边缘 |
对比传统算法
| 维度 | Canny 等传统方法 | HED |
|---|---|---|
| 抗噪声 | 弱 | 强 |
| 边缘完整性 | 易断裂 | 连续完整 |
| 语义理解 | 无 | 有 |
| 复杂场景 | 差 | 强 |
应用场景
- 图像分割：边界约束辅助语义分割
- 目标检测：轮廓定位辅助框回归
- 医学影像：CT/MRI 器官边缘提取
- 自动驾驶：道路边缘、行人轮廓检测
- 风格迁移：保留边界，仅迁移内部风格
衍生算法
- RCF：增强浅层特征，提升弱边缘检测
- BDCN：双向级联融合，优化边界精细度
- DeepEdge：注意力机制聚焦重要边缘
Comments