最近在做一个项目，涉及到边沿检测。边缘检测，设计到两个问题两个重要问题：（1）整体图像训练和预测； （2）多尺度，多层次的特征学习。
计算边缘检测的历史非常丰富，重点介绍一些具有实践意义的代表性作品。广义上讲，可以分为几类，例如：
I早期的开创性方法，例如Sobel探测器，零交叉和广泛采用的Canny探测器。 II驱动的方法：通过精心的手动设计得出功能之上的信息论，例如统计边缘，Pb和gPb； III：基于学习的方法仍然依赖于人类设计的特征，例如BEL，多尺度，Sketch Tokens和结构化边缘。
另外，最近出现了使用卷积神经网络的开发浪潮，该浪潮强调自动分层层次特征学习的重要性，包括N4-Fields，Deep-Contour ，DeepEdge和CSCNN。在深度学习取得爆炸性发展之前，结构化边缘方法（通常缩写为SE）成为最著名的边缘检测系统之一，这要归功于其在BSD500数据集上的最新性能。（例如F分数为.746）及其每秒2.5帧的实际有效速度。最近的基于CNN的方法已证明有希望的F分数性能优于SE。但是，这些基于CNN的方法在F分数性能和速度方面仍有很大的改进空间-目前，做出预测的时间范围从几秒钟到几小时（甚至使用现代GPU时）。
在这里，介绍一个端到端边缘检测系统（Holistically-Nested Edge Detection），即整体嵌套边缘检测（HED），该系统可以自动学习丰富的层次结构类型，这对于要接近人类自然解决歧义的能力至关重要图像边缘和对象边界检测。使用术语“整体”是因为HED尽管未明确建模结构化输出，但旨在以图像到图像的方式训练和预测边缘。通过“嵌套”，强调了作为侧面输出生成的继承的和渐进完善的边缘图-我们打算表明做出每个预测的路径对于这些边缘图都是相同的，而连续的边缘图则更加简洁。这种对层次特征的综合学习与以前的多尺度方法不同，在先前的多尺度方法中，尺度空间边缘场既不是自动学习的，也不是层次连接的。图1给出了示例图像以及人类主题地面真相注释的图示，以及所提出的HED边缘检测器（包括各个层的侧面响应）的结果以及Canny边缘检测器的结果具有不同的比例参数。不同比例的Canny边缘不仅没有直接连接，而且还表现出空间偏移和不一致。
提出的整体嵌套边缘检测器（HED）解决了两个关键问题：（1）受全卷积神经网络启发的整体图像训练和预测，用于图像到图像的分类（系统将图像作为输入， 并直接生成边缘图图像作为输出）； （2）受深度监督网络启发的嵌套多尺度特征学习，它执行深层监督以“指导”早期分类结果。 我们发现，这些基本技术的有利特征体现在HED既准确又计算有效。
这个就介绍到这里，具体论文可以找到：Holistically-Nested Edge Detection
我们在此基础上做出了优化：