Edge Detection based on Channel Attention and Inter-region Independence Test

要約

既存のエッジ検出手法は、ノイズの増幅や非サリエントなディテールの過剰な保持に悩まされることが多く、高精度な産業シナリオへの適用が制限されている。これらの課題に対処するために、我々はCAM-EDITを提案する。CAM-EDITは、チャネルアテンションメカニズム(Channel Attention Mechanism: CAM)と独立性テストによるエッジ検出(Edge Detection via Independence Testing: EDIT)を統合した新しいフレームワークである。CAMモジュールはマルチチャンネルフュージョンにより識別可能なエッジ特徴を適応的に強化し、EDITモジュールは領域ごとの統計的独立性分析（フィッシャーの正確検定とカイ二乗検定を使用）を用いて無相関ノイズを抑制する。BSDS500とNYUDv2データセットを用いた広範な実験により、最先端の性能が実証された。9つの比較アルゴリズムの中で、CAM-EDITのFメジャースコアは0.635と0.460であり、従来の手法（Canny、CannySR）に対して19.2%から26.5%の改善であり、最新の学習ベースの手法（TIP2020、MSCNGP）よりも優れている。ノイズ耐性評価では、ベースライン手法と比較して、ガウスノイズ下でPSNRが2.2%向上した。定性的な結果は、アーチファクトを低減したよりきれいなエッジマップを示し、高精度の産業用途への可能性を示している。

要約(オリジナル)

Existing edge detection methods often suffer from noise amplification and excessive retention of non-salient details, limiting their applicability in high-precision industrial scenarios. To address these challenges, we propose CAM-EDIT, a novel framework that integrates Channel Attention Mechanism (CAM) and Edge Detection via Independence Testing (EDIT). The CAM module adaptively enhances discriminative edge features through multi-channel fusion, while the EDIT module employs region-wise statistical independence analysis (using Fisher’s exact test and chi-square test) to suppress uncorrelated noise.Extensive experiments on BSDS500 and NYUDv2 datasets demonstrate state-of-the-art performance. Among the nine comparison algorithms, the F-measure scores of CAM-EDIT are 0.635 and 0.460, representing improvements of 19.2\% to 26.5\% over traditional methods (Canny, CannySR), and better than the latest learning based methods (TIP2020, MSCNGP). Noise robustness evaluations further reveal a 2.2\% PSNR improvement under Gaussian noise compared to baseline methods. Qualitative results exhibit cleaner edge maps with reduced artifacts, demonstrating its potential for high-precision industrial applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL