Object Contour Detection with DeconvNet

Yang, Jimei, et al. "Object contour detection with a fully convolutional encoder-decoder network." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016.

【總結】利用Deconvnet類似結構採用pixel-wise logistic loss學object contour; 且使用dense crf類方法refine Pascal Voc的Ground Truth; 最後再contour的基礎上利用multiscale combinational grouping(MCG)產生segmented object proposal(即 instance segmentation)

【整體結構】如下圖二所示，作者保留了前半部分VGG encoder的部分（至conv6）重新optimize decoder的參數，在decoder的網路中對有"語義"的edge更敏感（見Figure 4.

Deconvnet中對unpooling的visualization）

【對pascal數據集GroundTruth的 refinement】

這個主要針對數據集有物體遮擋重疊(見下圖貓耳交叉處)缺失label，contour寬度不止一個pixel.如果用這樣粗糙的contour訓練，那麼模型精度也會有很大問題。故將其視為multi-class labeling problem用dense crf補全uncertain area。個人覺得這個做的仍然不是很好（見右下圖）即部分contour會被賦上錯誤的label.作者這裡也對比了一下自己refined GT與grabcut修出來的GT（左下）。

但如果改動了GT, bias evaluation也得做相應改動：refined GT 的綠點視為upper-bound【所以如果數據集精度限制了你 你也可以模仿做這樣的實驗】

【Object Proposal Generation】

按文中敘述的目前比較流行的方法是MCG（cvpr 2014）：得到contour概率散點後結合圖片superpixel connected region得到proposal set最後篩選出最好的proposal。這個組16年做的COB(eccv 2016)看起來效果還不錯

【再總結】contour做好了勢必可以造福segmentation/detection/depth reasoning等眾多領域 如果能根據優質的contour邁向instance segmentation，那CV很多問題都能迎刃而解了

推薦閱讀：