黃 勝，冉浩杉

（重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065）

0 概述

邊緣檢測(cè)是計(jì)算機(jī)視覺(jué)以及圖像處理領(lǐng)域的研究熱點(diǎn)，在早期被定義為檢測(cè)圖像像素強(qiáng)度中不連續(xù)的變化［1］，通過(guò)檢測(cè)圖像像素強(qiáng)度中的一階或者二階梯度變化信息提取圖像的邊緣。邊緣檢測(cè)算法主要有Sobel算子［2］、Canny 算子［3］等。傳統(tǒng)邊緣檢測(cè)算法雖然實(shí)時(shí)性好，但是容易受復(fù)雜自然場(chǎng)景的影響（如光照、自然噪聲等），需要人工設(shè)置閾值，且難以滿(mǎn)足不同場(chǎng)景下的要求。除傳統(tǒng)邊緣檢測(cè)算法之外，基于人工設(shè)計(jì)特征的邊緣檢測(cè)算法主要有基于信息論人工設(shè)計(jì)特征算法（如gPb 分割算法［4］、Pb 算法［5］）和基于學(xué)習(xí)人工設(shè)計(jì)特征的方法（如BEL算法［6］、Multi-scale算法［7］和Structured Edge 算法［8］等）。盡管基于人工設(shè)計(jì)特征的邊緣檢測(cè)方法具有較優(yōu)的性能，但對(duì)于人工設(shè)計(jì)特征的依賴(lài)限制了該方法性能的提升。

基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的方法是邊緣檢測(cè)的主要研究方向，文獻(xiàn)［9］利用CNN 學(xué)習(xí)到的深度特征提高邊緣檢測(cè)的準(zhǔn)確度。文獻(xiàn)［10］利用CNN 提取不同尺度的特征圖，融合預(yù)測(cè)圖像邊緣，提出端到端訓(xùn)練的整體嵌套邊緣檢測(cè)（Holistically-nested Edge Detection，HED）網(wǎng)絡(luò)。文獻(xiàn)［11］在HED 模型的基礎(chǔ)結(jié)構(gòu)上進(jìn)行改進(jìn)，提出用于邊緣檢測(cè)更豐富的卷積特征（RCF）模型，該模型添加了更多特征提取卷積塊，以提取更豐富的圖像特征并進(jìn)行融合。這些方法在伯克利分割（BSDS500）［12］等主流數(shù)據(jù)集指標(biāo)中具有較優(yōu)的效果。

基于CNN 的邊緣檢測(cè)方法能夠較準(zhǔn)確地提取具有語(yǔ)義信息的邊緣圖像，但其相較于經(jīng)典方法提取的圖像邊緣粗糙，且檢測(cè)到的邊緣線條較粗糙。在圖像分割任務(wù)中，基于CNN 的邊緣檢測(cè)方法能夠在分割圖像任務(wù)中得到精細(xì)的圖像邊緣，且提取到更豐富的邊緣語(yǔ)義特征。通過(guò)圖像分割任務(wù)中提取到的語(yǔ)義信息特征可以增強(qiáng)邊緣檢測(cè)任務(wù)，以學(xué)習(xí)到更精細(xì)的圖像邊緣特征。

本文提出一種基于語(yǔ)義信息的精細(xì)化邊緣檢測(cè)方法。在主干網(wǎng)絡(luò)中通過(guò)構(gòu)建圖像分割子網(wǎng)絡(luò)以學(xué)習(xí)圖像語(yǔ)義信息，將學(xué)習(xí)到的語(yǔ)義特征信息傳入邊緣檢測(cè)子網(wǎng)絡(luò)中進(jìn)行融合，并指導(dǎo)邊緣檢測(cè)網(wǎng)絡(luò)學(xué)習(xí)精細(xì)的圖像邊緣特征。同時(shí)，在邊緣檢測(cè)子網(wǎng)絡(luò)中引入具有注意力機(jī)制的SE（Squeeze-and-Excitation）結(jié)構(gòu)［13］進(jìn)行多尺度特征圖融合，并在訓(xùn)練中使用兩階段分步式訓(xùn)練策略，從而有效提高邊緣檢測(cè)的精細(xì)度。

1 精細(xì)化邊緣檢測(cè)方法

基于CNN 的邊緣檢測(cè)方法普遍存在圖像邊緣線條較厚、邊緣模糊等問(wèn)題，本文提出一種語(yǔ)義指導(dǎo)的精細(xì)化邊緣檢測(cè)方法。在RCF 網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建子網(wǎng)絡(luò)用于圖像分割任務(wù)，通過(guò)圖像分割任務(wù)學(xué)習(xí)圖像中豐富的語(yǔ)義信息，利用學(xué)習(xí)到的語(yǔ)義信息指導(dǎo)邊緣檢測(cè)網(wǎng)絡(luò)，再通過(guò)深層監(jiān)督訓(xùn)練提高邊緣檢測(cè)精度。本方法的網(wǎng)絡(luò)架構(gòu)中同時(shí)進(jìn)行邊緣檢測(cè)和圖像分割任務(wù)，利用兩階段分步式訓(xùn)練策略訓(xùn)練網(wǎng)絡(luò)，整個(gè)網(wǎng)絡(luò)的訓(xùn)練采用端到端方式，其方法流程如圖1 所示。

圖1 精細(xì)化邊緣檢測(cè)方法流程Fig.1 Procedure of refined edge detection method

1.1 語(yǔ)義指導(dǎo)的邊緣檢測(cè)模型

語(yǔ)義指導(dǎo)的邊緣檢測(cè)模型的設(shè)計(jì)思想是對(duì)經(jīng)典邊緣檢測(cè)模型RCF 網(wǎng)絡(luò)進(jìn)行改進(jìn)，在主干網(wǎng)絡(luò)VGG16［14］左端構(gòu)建圖像分割任務(wù)，右端構(gòu)建邊緣檢測(cè)任務(wù)。語(yǔ)義指導(dǎo)的邊緣檢測(cè)模型分為圖像分割子網(wǎng)絡(luò)、邊緣檢測(cè)子網(wǎng)絡(luò)、多尺度特征融合模塊、語(yǔ)義融合模塊4 個(gè)部分，其結(jié)構(gòu)如圖2 所示。

圖2 語(yǔ)義指導(dǎo)的邊緣檢測(cè)模型結(jié)構(gòu)Fig.2 Structure of edge detection model with semantic guidance

1）圖像分割子網(wǎng)絡(luò)

為構(gòu)建圖像分割子網(wǎng)絡(luò)，本文在主干網(wǎng)絡(luò)的末端構(gòu)建一條拓展路徑用于反卷積操作，在拓展路徑上共由4 個(gè)反卷積組成，每個(gè)反卷積的卷積核為3×3，且使用雙線性插值法進(jìn)行初始化，通過(guò)將特征圖尺寸放大2 倍，使得主干網(wǎng)絡(luò)末端輸出的特征圖經(jīng)過(guò)拓展路徑后還原到原圖大小，同時(shí)利用分割圖像標(biāo)簽進(jìn)行監(jiān)督并輸出分割圖像。通過(guò)構(gòu)建的拓展路徑操作，主干網(wǎng)絡(luò)與拓展路徑能夠組成一個(gè)類(lèi)似U-Net［15］的圖像分割子網(wǎng)絡(luò)，該子網(wǎng)絡(luò)能學(xué)習(xí)到更豐富的語(yǔ)義信息特征，并用于指導(dǎo)邊緣檢測(cè)子網(wǎng)絡(luò)學(xué)習(xí)更精細(xì)的圖像邊緣特征。

2）邊緣檢測(cè)子網(wǎng)絡(luò)

在主干網(wǎng)絡(luò)的不同階段中，邊緣檢測(cè)子網(wǎng)絡(luò)能夠提取不同尺度的邊緣特征，由于不同深度的階段感受野不同，因此提取到的特征層次也是不同的。例如在Stage_1 中提取到的低級(jí)細(xì)節(jié)特征較多，而語(yǔ)義特征較少；而Stage_5 中卻能夠提取大量的語(yǔ)義級(jí)別的高級(jí)特征和少量語(yǔ)義信息的細(xì)節(jié)特征。因此，主干網(wǎng)絡(luò)將提取到的不同尺度圖像特征信息送入到具有注意力機(jī)制的不同尺度特征融合模塊（SE Fusion）中進(jìn)行特征融合，在邊緣檢測(cè)標(biāo)簽的監(jiān)督下利用低級(jí)細(xì)節(jié)特征與高級(jí)語(yǔ)義特征輸出更精細(xì)的邊緣圖像。

主干網(wǎng)絡(luò)能夠提取更豐富的高級(jí)語(yǔ)義信息，在Stage_4 以及Stage_5 中加入混合膨脹卷積（Hybrid Dilated Convolution，HDC）［16］的卷積結(jié)構(gòu)，將Stage中的3 個(gè)卷積塊替換為膨脹率分別為1、2、5 的3×3大小的膨脹卷積核。主干網(wǎng)絡(luò)利用混合膨脹卷積的結(jié)構(gòu)，一方面在不增加額外參數(shù)的情況下擴(kuò)大網(wǎng)絡(luò)中Stage_4 與Stage_5 的感受野，使得提取到的高級(jí)語(yǔ)義特征更加豐富，另一方面防止僅使用膨脹卷積造成的空洞過(guò)多，卷積核無(wú)法計(jì)算像素中的所有像素，導(dǎo)致圖像中像素信息連續(xù)性丟失。

本文方法將圖像分割子網(wǎng)絡(luò)的輸出與邊緣檢測(cè)網(wǎng)絡(luò)的最終輸出相融合，利用兩個(gè)子網(wǎng)絡(luò)的輸出特征圖進(jìn)行維度拼接并使用一個(gè)1×1 卷積進(jìn)行特征壓縮，最終在邊緣標(biāo)簽的監(jiān)督下得到邊緣圖像最終輸出，使得圖像分割子網(wǎng)絡(luò)輸出具有豐富語(yǔ)義信息的特征，指導(dǎo)邊緣檢測(cè)網(wǎng)絡(luò)進(jìn)行更加精細(xì)的邊緣檢測(cè)任務(wù)。

3）多尺度特征融合模塊

在邊緣檢測(cè)子網(wǎng)絡(luò)中，為了更好地融合不同尺度大小特征信息，并充分利用其中的高級(jí)語(yǔ)義特征和低級(jí)細(xì)節(jié)特征，本文結(jié)合SE 結(jié)構(gòu)提出一種帶注意力機(jī)制的特征融合模塊，其模塊結(jié)構(gòu)如圖3 所示。

圖3 多尺度特征融合模塊Fig.3 Multi-scale feature fusion module

本文利用SE 結(jié)構(gòu)區(qū)分重要特征通道和不重要特征通道，使得在帶SE 結(jié)構(gòu)的特征融合模塊中能夠抑制特征信息中不重要的低級(jí)細(xì)節(jié)特征，并增加重要的高級(jí)語(yǔ)義特征。主干網(wǎng)絡(luò)中各Stage 塊輸出不同尺度和不同通道數(shù)的特征圖，輸出的特征圖像分別具有42 和63 的通道數(shù)，經(jīng)過(guò)SE 模塊后這些通道數(shù)會(huì)被分配不同的權(quán)重，通過(guò)權(quán)重來(lái)區(qū)分重要的特征信息，以抑制不重要的特征信息。

SE 結(jié)構(gòu)能夠嵌入到各類(lèi)殘差模塊中，本文為了避免因模型深度的增加導(dǎo)致重要特征信息丟失，在SE 模塊中加入ReNeXt［17］殘差結(jié)構(gòu)，實(shí)驗(yàn)結(jié)果表明，加入ReNeXt 結(jié)構(gòu)的模型具有更優(yōu)的邊緣檢測(cè)效果。

4）語(yǔ)義融合模塊

本方法將分割子網(wǎng)絡(luò)與邊緣檢測(cè)子網(wǎng)絡(luò)輸出的特征圖像送入語(yǔ)義融合模塊，并進(jìn)行最終的語(yǔ)義指導(dǎo)融合。在此模塊中，為充分利用分割子網(wǎng)絡(luò)所提取的高級(jí)語(yǔ)義特征，本方法將帶有兩種不同語(yǔ)義信息的特征圖像進(jìn)行維度拼接（concat）操作后，再輸入到SE 模塊中賦予合適的權(quán)重。在本文語(yǔ)義融合模塊中的高級(jí)邊緣語(yǔ)義特征將得到較高權(quán)重并對(duì)其進(jìn)行加強(qiáng)，然而不重要的細(xì)節(jié)語(yǔ)義特征使用較小權(quán)重進(jìn)行抑制，使得邊緣檢測(cè)子網(wǎng)絡(luò)充分提取高級(jí)邊緣語(yǔ)義信息，最后使用1×1 卷積降維后輸出邊緣圖像。

1.2 語(yǔ)義信息指導(dǎo)的邊緣檢測(cè)模型訓(xùn)練策略

1.2.1 數(shù)據(jù)集增強(qiáng)

模型在BSDS500 數(shù)據(jù)集上進(jìn)行訓(xùn)練，該數(shù)據(jù)集同時(shí)具有圖像分割標(biāo)簽以及邊緣檢測(cè)標(biāo)簽，能夠滿(mǎn)足本模型雙標(biāo)簽訓(xùn)練的需求。BSDS500 數(shù)據(jù)集包含訓(xùn)練集圖像200 張，測(cè)試集圖像200 張，驗(yàn)證集圖像100 張。模型因數(shù)據(jù)集過(guò)小導(dǎo)致訓(xùn)練出現(xiàn)過(guò)擬合，因此本文對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)操作，采用單樣本隨機(jī)數(shù)據(jù)增強(qiáng)方法，以保證數(shù)據(jù)增強(qiáng)后數(shù)據(jù)集的質(zhì)量。通過(guò)對(duì)訓(xùn)練集與驗(yàn)證集中共300 張圖像進(jìn)行仿射變換、增強(qiáng)對(duì)比度、裁剪、翻轉(zhuǎn)等多種隨機(jī)操作，使得訓(xùn)練集中圖像增多到25 000 張。

1.2.2 模型損失函數(shù)

本模型是圖像分割任務(wù)以及邊緣檢測(cè)同時(shí)進(jìn)行的多任務(wù)網(wǎng)絡(luò)，需分別對(duì)2 個(gè)任務(wù)中的代價(jià)函數(shù)進(jìn)行定義，并利用圖像分割任務(wù)的結(jié)果進(jìn)行語(yǔ)義指導(dǎo)融合，最終輸出精細(xì)化邊緣預(yù)測(cè)圖像。模型的最終輸出也需要接受邊緣檢測(cè)標(biāo)簽的監(jiān)督，因此需要定義3 個(gè)代價(jià)函數(shù)。對(duì)于輸入圖像X，本文將其在圖像分割子任務(wù)中的預(yù)測(cè)圖像表示為Fseg，在邊緣檢測(cè)任務(wù)中的預(yù)測(cè)圖像表示為Fedg，最終輸出的邊緣預(yù)測(cè)圖像如式（1）所示：

其中：f(*|W)為特征圖融合操作；W為其中卷積操作的參數(shù)。對(duì)于圖像分割子任務(wù)的目標(biāo)損失函數(shù)，本文采用通用的交叉熵函數(shù)，如式（2）所示：

針對(duì)邊緣檢測(cè)中類(lèi)別不平衡的問(wèn)題，本文在邊緣檢測(cè)任務(wù)以及最終語(yǔ)義信息指導(dǎo)融合階段均采用加權(quán)交叉熵函數(shù)，如式（3）所示：

其中：|Y|為圖像像素總數(shù)；Y+和Y-分別為圖像中邊緣像素集和非邊緣像素集，其權(quán)重參數(shù)β=|Y-|/|Y|，則1-β=|Y+|/|Y|，通過(guò)這2 個(gè)權(quán)重參數(shù)來(lái)保護(hù)邊緣像素，以抑制非邊緣像素；為邊緣檢測(cè)子任務(wù)預(yù)測(cè)圖中的第i個(gè)像素；為在像素yi上的分類(lèi)置信度；We為訓(xùn)練參數(shù)集合。

1.2.3 兩階段分步式訓(xùn)練

在網(wǎng)絡(luò)模型訓(xùn)練階段，本文采取兩階段分步式訓(xùn)練策略，使得在網(wǎng)絡(luò)中的兩個(gè)子任務(wù)得到更好的訓(xùn)練。在第一個(gè)階段中進(jìn)行兩端子任務(wù)的訓(xùn)練，此時(shí)模型的目標(biāo)損失函數(shù)如式（4）所示：

其中：λ為均衡系數(shù)，主要均衡兩端子任務(wù)目標(biāo)函數(shù)的比例，在本實(shí)驗(yàn)中設(shè)置為0.5，在此目標(biāo)損失函數(shù)下將模型訓(xùn)練至基本收斂，且兩端子任務(wù)能夠輸出較好的預(yù)測(cè)圖像。

第二個(gè)階段的訓(xùn)練是在第一個(gè)階段模型收斂之后進(jìn)行的，對(duì)第一個(gè)階段訓(xùn)練得到的模型權(quán)重參數(shù)進(jìn)行固定，并指導(dǎo)融合階段邊緣圖像輸出的訓(xùn)練，此時(shí)模型的目標(biāo)損失函數(shù)如式（5）所示：

其中：Lfusion為加權(quán)交叉熵函數(shù)；Ffusion為語(yǔ)義指導(dǎo)融合后輸出的邊緣圖像。在第二個(gè)階段中將模型訓(xùn)練至收斂，在圖像分割子任務(wù)中語(yǔ)義信息指導(dǎo)下，模型能夠輸出精細(xì)的邊緣圖像。

2 實(shí)驗(yàn)與結(jié)果分析

本文實(shí)驗(yàn)在數(shù)據(jù)增強(qiáng)后的BSDS500 數(shù)據(jù)集上進(jìn)行，共有25 000 張訓(xùn)練圖像，200 張測(cè)試圖像。本文提出的模型使用谷歌開(kāi)源的Tensorflow1.12.0 版本作為開(kāi)發(fā)框架，在Linux 環(huán)境下進(jìn)行實(shí)驗(yàn)，硬件設(shè)備為4 塊NVIDIA GeForce GTX 1080 Ti GPU 同時(shí)訓(xùn)練，每張顯卡內(nèi)存12 GB，模型的測(cè)試環(huán)境為Windows 系統(tǒng)，CPU為Intel i5-4200。

2.1 實(shí)驗(yàn)訓(xùn)練參數(shù)設(shè)置

由于本文模型對(duì)輸入圖像的大小不敏感，因此本文將所有訓(xùn)練集的圖像統(tǒng)一修改為256×256 像素。在模型訓(xùn)練過(guò)程中，本文使用Adam 優(yōu)化算法作為訓(xùn)練的優(yōu)化器，初始學(xué)習(xí)率設(shè)置為0.000 1，然后每迭代10 000 次，將學(xué)習(xí)率降低1/10，batch size 設(shè)置為4，momentum 設(shè)置為0.9。模型訓(xùn)練并未使用任何預(yù)訓(xùn)練模型，所有權(quán)重的初始化使用Xavier［18］初始化。

2.2 實(shí)驗(yàn)分析

本文使用固定輪廓閾值（ODS）和圖像最佳閾值（OIS）作為評(píng)價(jià)指標(biāo)，其中ODS 是在測(cè)試集中的所有圖片均使用固定閾值進(jìn)行評(píng)估得到的F-measure；OIS 是在測(cè)試集中每張圖片使用這張圖片最佳的閾值進(jìn)行評(píng)估，以得到F-measure［19］。所有測(cè)試集的邊緣圖像輸出都經(jīng)過(guò)非極大值抑制［20］處理，再使用Edge Box［21］測(cè)量工具進(jìn)行指標(biāo)測(cè)量。

本文方法與目前主流的邊緣檢測(cè)方法的ODS和OIS 對(duì)比如表1 所示。表中前3 個(gè)為傳統(tǒng)基于特征的方法，后4 個(gè)是基于卷積神經(jīng)網(wǎng)絡(luò)的方法，所有對(duì)比方法均使用與本文方法相同的實(shí)驗(yàn)環(huán)境和原論文參數(shù)。

表1 不同方法的ODS 和OIS 對(duì)比Table 1 ODS and OIS comparison among different methods

從表1 可以看出，相比HED，本文方法的ODS 和OIS 指標(biāo)分別提高了3 和3.7 個(gè)百分點(diǎn)，相較于RCF分別提高了0.7 和1.1 個(gè)百分點(diǎn)。因此，本文方法能夠提升邊緣檢測(cè)的精細(xì)度，在ODS 和OIS 指標(biāo)上都有一定的提高。

圖4 表示本文方法中兩個(gè)子任務(wù)輸出與最終語(yǔ)義信息指導(dǎo)輸出的對(duì)比，可以看出，經(jīng)過(guò)語(yǔ)義指導(dǎo)融合的邊緣圖像比邊緣檢測(cè)子任務(wù)中輸出的邊緣圖像更加精細(xì)，且在邊緣線條中保留了更多細(xì)節(jié)特征，從而提高了清晰度。

圖4 兩個(gè)子任務(wù)輸出與最終語(yǔ)義信息指導(dǎo)輸出的對(duì)比Fig.4 Comparison between the output of two subtasks and semantic information guidance output

為驗(yàn)證本文所提模塊的有效性，本文進(jìn)行了5 種不同配置的實(shí)驗(yàn)，所有實(shí)驗(yàn)訓(xùn)練參數(shù)均相同，并在增強(qiáng)后的BSDS500 數(shù)據(jù)集上進(jìn)行訓(xùn)練。通過(guò)5 種不同配置下的實(shí)驗(yàn)分別驗(yàn)證混合膨脹卷積（HDC）、多尺度特征融合（SE Fusion）、語(yǔ)義指導(dǎo)（Semantic Guidance，SG）的有效性，表2 為不同配置下的實(shí)驗(yàn)結(jié)果。

表2 本文方法在不同模塊下的ODS 和OIS 對(duì)比Table 2 ODS and OIS comparison of the proposed method on different modules

從表2 可以看出，在原始模型中依次添加HDC、僅包含ResNeXt 的SE 融合模塊以及SG 模塊，模型的ODS 和OIS 指標(biāo)都得到了提高。在對(duì)比實(shí)驗(yàn)中，在加入圖像分割子任務(wù)SG 模塊后，模型ODS 和OIS分別提高了0.002 5 以及0.005 4，說(shuō)明在圖像分割子任務(wù)中能夠提取到豐富的特征信息，其中包含高級(jí)語(yǔ)義信息和邊緣細(xì)節(jié)特征信息，這些特征信息能夠指導(dǎo)邊緣檢測(cè)任務(wù)以輸出更精細(xì)的邊緣圖像。此外，在SE Fusion 模塊中加入殘差結(jié)構(gòu)ResNeXt，模型能夠進(jìn)一步改進(jìn)邊緣檢測(cè)效果。加入殘差結(jié)構(gòu)后的SE Fusion 模塊在ODS 和OIS 上分別提升了0.001 7和0.002 3，表明加入殘差結(jié)構(gòu)配合SE 模塊能夠充分融合多尺度的特征圖信息，一方面殘差結(jié)構(gòu)保留了更多的細(xì)節(jié)特征以及高級(jí)語(yǔ)義特征，另一方面SE 模塊抑制了對(duì)于邊緣檢測(cè)任務(wù)不重要的特征通道，而增強(qiáng)了重要的特征通道，使得模型更注重邊緣檢測(cè)任務(wù)的特征。

為了從主觀視覺(jué)上更好地與其他邊緣檢測(cè)方法進(jìn)行對(duì)比，圖5 表示基于全卷積網(wǎng)絡(luò)和傳統(tǒng)的邊緣檢測(cè)方法與本文方法的邊緣檢測(cè)效果對(duì)比，其中Canny 方法的超參數(shù)σ=2.0。從圖5 可以看出，本文提出的方法能夠有效解決基于全卷積網(wǎng)絡(luò)的邊緣檢測(cè)方法輸出邊緣模糊、線條粗糙等問(wèn)題，其得到的邊緣圖像在細(xì)節(jié)上更精細(xì)，且邊緣線條更清晰。

圖5 不同方法的邊緣圖像檢測(cè)效果對(duì)比Fig.5 Edge image detection effects comparison among different methods

3 結(jié)束語(yǔ)

本文提出一種基于語(yǔ)義信息的精細(xì)化邊緣檢測(cè)方法。利用RCF 網(wǎng)絡(luò)構(gòu)建圖像分割子網(wǎng)絡(luò)，即在主干網(wǎng)絡(luò)末端構(gòu)建一條擴(kuò)展路徑用于反卷積操作，以提取圖像豐富的語(yǔ)義信息。同時(shí)，在主干網(wǎng)絡(luò)中加入混合膨脹卷積以增大網(wǎng)絡(luò)感受野，構(gòu)建具有SE 模塊以及殘差結(jié)構(gòu)的多尺度特征融合模塊。實(shí)驗(yàn)結(jié)果表明，本文方法在ODS、OIS 指標(biāo)上均優(yōu)于HED、RCF 等主流邊緣檢測(cè)方法，其預(yù)測(cè)的邊緣檢測(cè)圖像更接近標(biāo)簽圖像，且生成的圖像邊緣清晰準(zhǔn)確。后續(xù)將在模型訓(xùn)練中融合分割子任務(wù)與邊緣檢測(cè)子任務(wù)的輸出特征圖，進(jìn)一步優(yōu)化語(yǔ)義信息指導(dǎo)效果。