Regresar a Artículos Indexados
  • IEEE ACCESS//(VOLUME 10)

    Volumen: 10, Numero: 1, Páginas: 68281 - 68290 pp.

    LDC: LIGHTWEIGHT DENSE CNN FOR EDGE DETECTION

    Abstract

    This paper presents a Lightweight Dense Convolutional (LDC) neural network for edge detection. The proposed model is an adaptation of two state-of-the-art approaches, but it requires less than 4% of parameters in comparison with these approaches. The proposed architecture generates thin edge maps and reaches the highest score (i.e., ODS) when compared with lightweight models (models with less than 1 million parameters), and reaches a similar performance when compare with heavy architectures (models with about 35 million parameters). Both quantitative and qualitative results and comparisons with state- of-the-art models, using different edge detection datasets, are provided. The proposed LDC does not use pre-trained weights and requires straightforward hyper-parameter settings. The source code is released at https://github.com/xavysp/LDC.


    Keywords


    Edge detection, deep learning, boundary detection.


    Resumen

    Este artículo presenta una red neuronal convolucional ligera y densa (LDC) para edgedetección. El modelo propuesto es una adaptación de dos enfoques de última generación, pero requiere menos de4% de los parámetros en comparación con estos enfoques. La arquitectura propuesta genera mapas de borde delgadoy alcanza la puntuación más alta (es decir, ODS) en comparación con los modelos ligeros (modelos con menos de1 millón de parámetros), y alcanza un rendimiento similar al compararlo con arquitecturas pesadas (modeloscon unos 35 millones de parámetros). Tanto los resultados cuantitativos y cualitativos y las comparaciones con estado-Se proporcionan modelos de última generación que utilizan diferentes conjuntos de datos de detección de bordes. La LDC propuesta no utilizapesas preentrenadas y requiere una configuración sencilla de hiperparámetros. El código fuente se publica enhttps://github.com/xavysp/LDC.


    Palabras Clave


    Detección de bordes, aprendizaje profundo, detección de límites.





    Acceder