目标检测——day56 Unmixing_Convolutional_Features_for_Crisp_Edge_Detection（用于清晰边缘探测的卷积特征分解）

2 METHODOLOGY

2.2 The Tracing Loss

• 模型训练过程中，LCE进行粗略的边缘学习，LBDRY通过特征分解进行边缘定位细化，LTEX对纹理区域进行较强的整体抑制。
• 实现了清晰的边缘生成，比单加权交叉熵具有更小的定位模糊性

2.2.1 WeightedCross Entropy

式（1）

2.2.2 Feature Unmixing byTracing Boundaries

boundary tracing function：式（2）

texture suppression function：式（3）

2.3 Context-Aware Fusion Block

CoFusion的机制：如图3所示
Z：代表了 L 侧的边缘热图；
W_context：通过注意力模块从Z中学习得出的权重图。

• 具体的说，从Z中提取出得分图 A_score ,通过 3 个 3 x 3 卷积层获取上下文信息用来推断 W_context ；A_score 随后通过 Softmax 激活来规范化，以获得权重图 W_context
  P_final 通过下面两步进行计算：式（6）、（7）

3 EXPERIMENTS AND ANALYSIS

3.1 Datasets

• BSDS500:challenging edge detection bench- mark
• NYUDv2:challenging dataset for indoor scene pars- ing and is also a commonly used benchmark for edge detection evalu- ation
• Multicue Dataset: This dataset strictly distinguishes the defi- nitions of boundary and edge, and it thus consists of two sub data- sets: Multicue Boundary and Multicue Edge