当前位置：首页 > news >正文

[C#]使用ONNXRuntime部署一种用于边缘检测的轻量级密集卷积神经网络LDC

news 文章来源：https://blog.csdn.net/FL1623863129/article/details/135325105 2024/9/21 3:29:46

源码地址：

github.com/xavysp/LDC

LDC: Lightweight Dense CNN for Edge Detection算法介绍：

由于深度学习方法的快速发展，近年来，用于执行图像边缘检测的卷积神经网络（CNN）模型爆炸性地传播。但边缘检测的大多数工作都致力于通过设计非常深入的网络来实现更高的度量（即ODS、OIS、AP），这导致了计算操作数量的增加。遗憾的是，这些边缘检测方法对于低容量设备和现实世界的应用都不实用。考虑到上述缺点，本文提出了一种新的轻量级结构LDC——用于边缘检测的轻量级密集CNN模型。它旨在成为现实世界应用程序的实用网络，它可以自适应地学习关注高频信息的最有价值的特征。所提出的体系结构基于DexiNed，但为了在性能和适用性之间寻求更好的折衷，考虑了较小的滤波器尺寸和紧凑的模块。作为所提出的修改的结果，获得了一个参数小于1M的模型，并且比大多数最先进的方法轻。

贡献可以总结如下：

• 提出了一种轻量级 CNN 架构，它只有 674K 个参数，而 DexiNed 中有 35M 个参数。

• 与最先进的边缘检测器（参数少于1M）进行了广泛的比较研究。本文完全致力于边缘检测，即所有考虑进行定量比较的模型都使用 BIPED、MDBD 和新的 BRIND 数据集来训练和验证模型。此外，每个模型都使用其他数据集进行交叉验证。

• 进行深入的消融研究，直至达到稳健的LDC。

效果：

部分实现代码：

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Diagnostics;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Windows.Forms;
using OpenCvSharp;namespace FIRC
{public partial class Form1 : Form{Mat src = new Mat();LDCManager ld = new LDCManager();public Form1(){InitializeComponent();}private void button1_Click(object sender, EventArgs e){OpenFileDialog openFileDialog = new OpenFileDialog();openFileDialog.Filter = "图文件(*.*)|*.jpg;*.png;*.jpeg;*.bmp";openFileDialog.RestoreDirectory = true;openFileDialog.Multiselect = false;if (openFileDialog.ShowDialog() == DialogResult.OK){src = Cv2.ImRead(openFileDialog.FileName);pictureBox1.Image = OpenCvSharp.Extensions.BitmapConverter.ToBitmap(src);}}private void button2_Click(object sender, EventArgs e){if(pictureBox1.Image==null){return;}var resultMat = ld.Inference(src);pictureBox2.Image= OpenCvSharp.Extensions.BitmapConverter.ToBitmap(resultMat); //Mat转Bitmap}private void Form1_Load(object sender, EventArgs e){ld.LoadWeights(Application.StartupPath+ "\\weights\\LDC_640x360.onnx");}private void btn_video_Click(object sender, EventArgs e){}}
}

测试环境：

vs2019

opencvsharp4.8.0
onnxruntime1.16.3

视频演示：

源码下载地址：

参考文献：

1、blog.csdn.net/weixin_49183141/article/details/134377040

相关文章：