Dense Extreme Inception Network: Towards a Robust CNN Model for Edge Detection（DexiNet）论文学习笔记
一、介绍：
1.有两个贡献，一是提出DexiNet，二是提出新的大规模数据集
2.现在的基于CNN方法的边缘检测有很多，像DeepEdge,HED,RCF,BDCN等， 这些方法的成功主要是由CNNs在不同的尺度上应用于一组大的图像，以及训练正则化技术。
3.以前的数据集都或多或少有些毛病，比如，边缘信息不完整，使得训练困难等，本文提出新的数据集，BIPED，包含有非常详细的边缘标注信息
4.DexiNet全称是，用于边缘检测的密集感知网络（Dense Extreme Inception Network for edge detection），是没有预训练权重的，是重头开始训练的
二、相关工作
1.基于低级特征：这类算法中的大多数算法通常遵循一个平滑的过程，可以用高斯滤波器或手动执行的核来实现图像的卷积，自Canny检测器后，大部分边缘检测后期都会使用NMS
2.基于脑生物灵感：可追溯到上世纪60年代，猴子和猫猫的视觉形成的研究，提出基于简单细胞和Gabor、Gaussian等过滤器的方法进行，最近（2015年）的方法是利用高斯函数一阶导的一种选择性神经元
3.经典学习算法：基于稀疏表示学习、字典学习、梯度下降、随机森林的方法
4.深度学习算法：基于CNN的，HED作为代表（VGG16作为主干）
三、DexiNet网络
1.如图所示为DexiNet的网络架构，主要包含两个模块，一个是Dexi网络，一个是上采样模块（灰色部分），RBG图像喂入Dexi网络进行特征提取（Dexi能够很好的避免边缘信息的丢失），然后提取得到的特征图喂入上采样模块进行边缘图像的生成，最后再将这些进行融合，生成最终的边缘信息图像
2.包含一个包括6个主要模块的编码器（受到xception的启发），6个模块产生的结果融合起来，得到最终结果。
3.蓝色的块由内核大小为3×3的两个卷积层堆叠而成，然后进行批处理归一化，ReLU作为**函数(最后子块中只有最后一个convs没有**)。最大池设置为3×3 kernel和stride=2。由于架构遵循多尺度学习，像HED一样，接下来是一个上采样过程
4.与Xception不同的是，1是使用的普通卷积方式而非深度可分离卷积，2是block5没有最大池化操作，3是block4和block5处设置的是512个过滤器而非728个，每个块的分离是如图所示最上面绿色的1x1卷积快，4是skip connection是由两种不同方式组合而成的
5.由于卷积层越深，会导致模块丢失重要的边缘特征（如DeepEdge），因此，在第3块block开始，子block的输出是边缘连接平均的，即黄色的部分，
6.上采样模块（UB），由条件堆叠子块组成，每个子块有2层，一个卷积一个反卷积，有两种类型的子块，子块1由Dexi或子块2喂入， 只有当特征映射与groud truth之间的尺度差等于2时才使用；子块2是尺度差大于2才考虑使用，子块2迭代使用，一直到尺度差等于2。子块1的结构是，1x1卷积–ReLU**函数–SxS大小反卷积，s等于输入的特征图大小。最后一个卷积层没有**函数。子块2设置与子块1类似，不同在于filter的数量。第二层从子块的上采样过程可以通过双线性插值、亚像素卷积和转置卷积来执行，见SEC。
7.损失函数，
其中W是所有网络参数的集合，w是n个相应的参数，δ是每个尺度级别的权重。 β=|Y负|/|Y正+ Y负|，(1-β)=|Y正|/|Y正+Y负|，Y负和Y正分别代表GT（Groud Truth）中的边缘和非边缘
四、实验
1.数据集，BIPED，MDBD，CID，BSDS，PASCAL，NYUD
2.评价标准，基于OIS和ODS的f-measure
3.训练细节，基于tf，迭代了150k次，batchsize 8，Adam优化器，学习率1e-4，TITAN X训练的两天，输入400x400，初始化1/（N-1）
五、总结：
1.提出DexiNet，第一种能够生成薄边缘的网络架构（作者说的）
2.提出新的数据集BIPED，注释非常详细