Attention aux Frontières : Apprendre à Détecter les Limites Faibles à Toute Résolution

Résumé

Nous présentons un modèle différentiable qui modélise explicitement les contours -- incluant les lignes, les coins et les jonctions -- en utilisant un nouveau mécanisme que nous appelons attention aux contours. Nous montrons que notre modèle fournit des résultats précis même lorsque le signal de contour est très faible ou noyé dans le bruit. Par rapport aux méthodes classiques précédentes pour détecter les contours faibles, notre modèle présente les avantages d'être différentiable ; d'être scalable à des images plus grandes ; et de s'adapter automatiquement à un niveau de détail géométrique approprié dans chaque partie d'une image. Comparé aux méthodes profondes précédentes pour détecter les contours via un apprentissage de bout en bout, il offre les avantages de fournir une précision sous-pixel, d'être plus résilient au bruit, et de pouvoir traiter n'importe quelle image à sa résolution native et son format d'aspect.

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.

Attention aux Frontières : Apprendre à Détecter les Limites Faibles à Toute Résolution

Boundary Attention: Learning to Find Faint Boundaries at Any Resolution

Résumé

Support