VALSE QQ群对边缘检测近期最新进展的讨论，内容整理如下：
1）推荐一篇deep learning的文章，该文章大幅度提高了edge detection的精度，在bsds上，将edge detection的精度从f-measure<0.76提高到了0.78，人眼的性能为0.80。而且可以取得4帧每秒的速度，比之前的gpb几分钟一张图快了很多。
Holistically-Nested Edge Detection Saining Xie, Zhuowen Tu (Submitted on 24 Apr 2015) http://arxiv.org/abs/1504.06375
下载：2015-Holistically-Nested-Edge-Detection
2）cvpr15上也有一个用DL做边缘提取的 DeepEdge: A Multi-Scale Bifurcated Deep Network for Top-Down Contour Detection，都很期待啊
下载：CVPR2015-DeepEdge-A-Multi-Scale-Bifurcated-Deep-Network-for-Top-Down-Contour-Detection
3） 我们比他效果好一点 DeepContour: A Deep Convolutional Feature Learned by Positive-sharing Loss for Contour Detection. IEEE Conference on Computer Vision and Pattern Recognition, 2015
下载：CVPR2015-DeepContour-A-Deep-Convolutional-Feature-Learned-by-Positive-sharing-Loss-for-Contour-Detection-draft-version
4）gpb是不是没有se好？
5）请教一下，搞deep learning是不是需要有资源啊，比如牛逼的server，搞很多显卡？没有资源的话可以做吗？
6）1块就可以做啦
7）对dp不太了解。。
8）不过1块的话，是不是只能做toy example，不能跑大数据集了？
9） 对gpb比se精度差 速度更差了
10） 1块在某些情况下已经足够发论文了。。
11）现在edge detection最好的方法就是gpb了？
下载：PAMI-2011-Contour-Detection-and-Hierarchical-Image-Segmentation
12）I see。。
13）不过不知道某些情况是指哪些情况？
14）早就不是gpb了
15）早就不是了 见pitor dollar 的 sketch token 和今年的deep paper
下载：CVPR2013-Sketch-Tokens-A-Learned-Mid-level-Representation-for-Contour-and-Object-Detection
16）dollar用structure forest的效果和效率都很高
下载：PAMI-2015-Structured-Forests-for-Fast-Edge-Detection
17）谢谢白老师。楼上那几篇文章都很有意思。不过，感觉其实超过human performance其实还是可能的。双击查看原图
18）我有一个问题请教，所谓human performance是怎么得到的？
19）多人标注的 average
20） 如果用了 extra data 比如imagenet 是完全有可能的 ，但我们没有使用extra data
21）你拿一个很大的数据 去fit 一个很小的数据 不能说明什么 。。。
22）严格的说不该叫edge detection， 应该是 boundary 或者contour
23） You are right. 物体边界
24）嗯。白老师说的对。不过目前大家在transfer learning 上都很用功。比如transfer learning for detection, tracking。也许还是需要一个大一点的edge contour公开库。
25）transfer learning 也好 weakly supervised learning也好 semi-supervised learning也好 肯定是未来趋势， 不可能对所有specific的 data都进行海量标注
26）另外 合成labelled数据 也是可以有效果的 ，比如你们group做的 paper M. Jaderberg, K. Simonyan, A. Vedaldi, and A. Zisserman. Synthetic data and artificial neural networks for natural scene text recognition. In NIPS Workshop on Deep Learning, 2014.
27）嗯。是的。weakly和合成数据都很有前途的样子。目前学术界做probabilistic programming在合成数据上有很多突破
28）比如最近pushmeet kohli的invert graphics