Boundary Attention: Lernen, schwache Grenzen in jeder Auflösung zu erkennen

Boundary Attention: Learning to Find Faint Boundaries at Any Resolution

January 1, 2024

Autoren: Mia Gaia Polansky, Charles Herrmann, Junhwa Hur, Deqing Sun, Dor Verbin, Todd Zickler

cs.AI

Zusammenfassung

Wir stellen ein differenzierbares Modell vor, das Grenzen – einschließlich Konturen, Ecken und Verzweigungen – explizit modelliert, indem es einen neuen Mechanismus verwendet, den wir als Boundary Attention bezeichnen. Wir zeigen, dass unser Modell präzise Ergebnisse liefert, selbst wenn das Grenzsignal sehr schwach ist oder von Rauschen überlagert wird. Im Vergleich zu früheren klassischen Methoden zur Erkennung schwacher Grenzen bietet unser Modell die Vorteile der Differenzierbarkeit, der Skalierbarkeit auf größere Bilder und der automatischen Anpassung an ein angemessenes Maß an geometrischen Details in jedem Teil eines Bildes. Im Vergleich zu früheren Deep-Learning-Methoden zur Grenzdetektion durch End-to-End-Training bietet es die Vorteile der Subpixelgenauigkeit, einer höheren Robustheit gegenüber Rauschen und der Fähigkeit, jedes Bild in seiner nativen Auflösung und seinem Seitenverhältnis zu verarbeiten.

English

We present a differentiable model that explicitly models boundaries -- including contours, corners and junctions -- using a new mechanism that we call boundary attention. We show that our model provides accurate results even when the boundary signal is very weak or is swamped by noise. Compared to previous classical methods for finding faint boundaries, our model has the advantages of being differentiable; being scalable to larger images; and automatically adapting to an appropriate level of geometric detail in each part of an image. Compared to previous deep methods for finding boundaries via end-to-end training, it has the advantages of providing sub-pixel precision, being more resilient to noise, and being able to process any image at its native resolution and aspect ratio.