SuperEdge: Towards a Generalization Model for Self-Supervised Edge Detection

要約

エッジ検出は、様々なコンピュータビジョンタスクにおける基本的な技術である。エッジはピクセルの不連続性によって効果的に画定され、テクスチャのない領域でも信頼できる構造情報を提供できる。最先端の技術では、ピクセル単位の注釈に大きく依存しているが、この注釈は手間がかかり、手作業で取得すると矛盾が生じやすい。この研究では、合成データセットから実世界データセットへ注釈を転送するために、マルチレベル、マルチホモグラフィ技術を採用した、エッジ検出のための新しい自己教師ありアプローチを提案する。生成されたエッジの注釈を十分に活用するために、画素レベルとオブジェクトレベルの粒度でエッジを同時に抽出できる、合理的かつ効率的なモデルであるSuperEdgeを開発した。自己教師付き学習により、本手法は、手動で注釈付けされたエッジラベルへの依存を排除し、それにより、多様なデータセットにわたる汎用性を向上させる。比較評価により、SuperEdgeはエッジ検出を向上させ、BIPEDv2における既存のSTEdge手法と比較して、ODSで4.9%、OISで3.3%の改善を実証した。

要約(オリジナル)

Edge detection is a fundamental technique in various computer vision tasks. Edges are indeed effectively delineated by pixel discontinuity and can offer reliable structural information even in textureless areas. State-of-the-art heavily relies on pixel-wise annotations, which are labor-intensive and subject to inconsistencies when acquired manually. In this work, we propose a novel self-supervised approach for edge detection that employs a multi-level, multi-homography technique to transfer annotations from synthetic to real-world datasets. To fully leverage the generated edge annotations, we developed SuperEdge, a streamlined yet efficient model capable of concurrently extracting edges at pixel-level and object-level granularity. Thanks to self-supervised training, our method eliminates the dependency on manual annotated edge labels, thereby enhancing its generalizability across diverse datasets. Comparative evaluations reveal that SuperEdge advances edge detection, demonstrating improvements of 4.9% in ODS and 3.3% in OIS over the existing STEdge method on BIPEDv2.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL