分割時，對於置信度不高的畫素，能否單獨處理？首先，確定其方向，找到其對應的內部畫素，用內部畫素代替該畫素
學習邊界到內部點的方向；
文獻概述：level set for segmentation:[1,14,53,31】
角度回歸：
devil is in the edges: learning semantic boundaries from noisy annotations cvpr 2019
deep watershed transform for instance segmentation cvpr 2017
現有的deeplabv3,gated_scnn,hrnet都不能很好的優化網路的邊緣；並且發現，距離邊緣越遠的**結果越好，即內部**結果更可靠。
我們的方法分為2步：定位目標邊界（通過邊界檢測模型**二進位制邊界）；學習從邊界到內部的畫素的方向，並將邊界畫素沿著方向向內部移動一定的距離；
網路框架：
（1）先訓練乙個模型，選出來邊緣畫素（邊緣分割圖）及其對應的內部畫素（offset分割圖，並將邊緣沿著offset向內走，得到置信度更高的畫素）；
根據distance_map生成boundary map:distance_map的distance小於指定值的，定義為boundary
我們的方法效果取決於3個量：（1）邊緣**結果，即是否為邊緣 （2）邊緣的方向**結果，即指向內部還是外部 （3）內部畫素的**準確度
結果：
邊緣寬度的選擇3，5，10對結果的影響不大
訓練過程：
訓練過程分為2步，先根據**結果和標註輪廓，通過主動輪廓+能量場最小來得到refine contour,然後根據refine contour來計算3個損失（二進位制分割損失，nms損失和邊緣損失）來優化backbone:
主動輪廓+能量場能量場最小（沒看懂）：
根據refine contour來計算3個損失:
其角度損失：
對**的邊緣計算法線方向，對gt邊緣計算法線方向，
參考deep watershed transform for instance segmentation
**nms損失：**沒有看懂
邊緣經常出現在高頻資訊，所以如何將影象低頻與高頻資訊分離（原圖-高斯*原圖；頻率域）和結合，以**邊緣
語義邊緣檢測：36,34
casenet: deep category-aware semantic edge detection. cvpr 2017
holistically-nested edge detection iccv 2015
active contours
參考：
我們的模型將rgb影象(a)和半分割影象(e)作為輸入，**前景中每個畫素到其最近的邊緣的方向(f)，方向編碼為2通道的單位向量；
角度損失：
**的單位向量和實際的單位向量計算角度的均方差損失：
角度的均方差損失：先計算角度的cos,然後得到角度，然後角度**2
errorangles = tf.acos(tf.reduce_sum(pred * gt, reduction_indices=[1], keep_dims=true))
lossangletotal = tf.reduce_sum((tf.abs(errorangleserrorangles))ssweight)
計算角度的cos：pred * gt,因為pred , gt都是單位向量，所以|pred||gt|cos=predgt,所以cos=predgt
然後計算角度值：tf.acos
然後計算均方差損失tf.reduce_sum((tf.abs(errorangleserrorangles))ssweight)
輪廓 邊緣 邊界的相關函式
opencv裡支援很多邊緣提取的辦法，可是如何在一幅影象裡得到輪廓區域的引數呢，這就需要用到findcontours函式，這個函式的原型為 c void findcontours inputoutputarray image,outputarrayofarrays contours,outputar...
OpenCV學習 輪廓檢測與重繪
出處 提取模式.cv retr external 只提取最外層的輪廓 cv retr list 提取所有輪廓，並且放置在 list 中 cv retr ccomp 提取所有輪廓，並且將其組織為兩層的 hierarchy 頂層為連通域的外圍邊界，次層為洞的內層邊界。cv retr tree 提取所有輪...
邊緣計算與移動邊緣計算的區別
如果說雲計算是集中式大資料處理，那麼邊緣計算就可以理解為邊緣式大資料處理。何為邊緣？通用術語表示就是，鄰近 接近。放在這句話中就是，臨近計算或接近計算。想象一下，資料每次都要傳到遙遠的雲端，雲端處理完，才能回傳回來，很麻煩吧！邊緣計算則在想，為啥要傳那麼遠呢？資料那麼多，傳來傳去浪費時間不說，還效率...