---
tags: Deep learning
---
# 論文閱讀: Holistically-Nested Edge Detection

這是一個基於image to image，被應用於edge detection的deep cnn network。通過架構使network可以學習input在不同resolution下的特徵，得到比canny更精確的效果。
## Existing multi-scale
multi scale可以被放在network之中(inside)，透過越來越大的receptive field跟down-sampling達成。
另外一種作法(inside)，則是直接調整input的resolution。
如上圖所示，multi scale resolution可以被大致分作幾類:
(1) multi-stream learning: 如圖a，平行的network stream會具有不同的參數以及receptive field，對應不同的resolution，最後再把不同stream的結果整合起來。
(2) skip layer network learning: 如圖b，skip layer只有一個main stream，每一層的output除了進入到下一層外，也會被skip到往後的每一層進行訓練。

以上兩種方法都只會有一個loss function，並且產生單一個output

(3) Single model on multiple inputs: 如圖c，即是使用同一個網路，但使用不同resolution的input得到數個output(類似ensemble learning)

(4) Training independent network:類似於第一種方法，其差異就在是透過不同的input resolution直接訓練完全獨立的不同網路(可想而知會是十分耗費資源的方法)

(5) Holistically-nested networks：也就是論文使用的方法，詳細如下

## 架構
主要思想是在每一個convolution layer後面增加了一個side output layer，每個side output layer輸出一個edge map，然後通過一個fusion layer將各個side output層輸出的edge map進行融合，得到最後的邊緣檢測結果。

論文HED的結構是通過對16層的VGG-Net進行修改得到的，先是為每個階段的最後一個卷積層增加一個side output layer,然後去除VGG最後一個階段部分(第5個pooling層和所有的full-connective層)，最後通過weigh-fusion layer將各個side output層的輸出結果進行融合。

## (細節待補，可先見reference)

## Reference
* [边缘检测之HED](https://zhuanlan.zhihu.com/p/43600043)
* [《HED：Holistically-Nested Edge Detection》原文翻译](https://blog.csdn.net/u014779538/article/details/92765963)