基于CNN边缘检测算法及实现开题报告

1. 研究目的与意义（文献综述）

我们在本文中解决了在自然图像中的边缘、对象边界的检测问题。这个问题在传统的计算机任务（例如：视觉显着性，对象检测和识别）和现代计算机视觉领域（例如：自动驾驶，图像文本分析等）中都起着重要作用。

边缘检测的目的是从自然图像中提取视觉上显著的边缘和对象边界，从而保留图像的要点并忽略不重要的细节，这一直是计算机视觉的主要挑战之一。边缘检测是一种低级技术，但各种高级任务实现都基于边缘检测的发展例如对象检测^[1]，对象建议^[2]和图像分割^[3]。

人类的视觉系统可以轻松地识别图像中的感知显着边缘，但计算机对边缘的识别却存在很大的困难。早起的方法是提取亮度，颜色，渐变和纹理等局部线索，然后使用复杂的学习范例^[4]用于对边缘和非边缘像素进行分类。在最近的几年中，卷积神经网络（cnn）在计算机视觉界变得越来越流行。由于cnn在提取自然图像边缘特征的强大能力，因此最近出现了使用卷积网络进行边缘检测的趋势。

2. 研究的基本内容与方案

2.1 基本内容

本文研究的边缘检测算法，通过构建深度神经网络以及bsd500等数据集的训练，达到自动识别检测自然图片中物体的边界，并且将边缘显示出来。

根据深度神经网络的构建原理及边缘特征的检测原理，本文拟采用rcf及其改进的网络作为主要的设计技术方案。主要包括对现有数据集的性能测试及与其他检测方法的比较。

3. 研究计划与安排

第4-5周：论文开题

第6-12周：撰写论文初稿

4. 参考文献（12篇以上）

1. ferrari v, fevrier l, jurie f, et al. groupsof adjacent contour segments for object detection[j].ieee transactions onpattern analysis and machine intelligence,2007.

2. zitnick c l, dollar p. edge boxes: locating objectproposals from edges[c]//eccv. springer, cham, 2014.

3. arbelaez p, pont-tuset j, barron j, et al.multiscale combinatorial grouping[c]//ieee conference on computer vision pattern recognition. ieee, 2014.

   剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付