正交分解网络：提升逐像素二元分类性能

"该文主要探讨了一种基于正交分解的逐像素二元分类方法，旨在提高卷积神经网络在逐像素任务中的性能。通过正交分解单元（ODU），文章提出了解决卷积特征图中相邻像素相关性的问题，以达到去相关的目的。这种方法在理论上能够完美重建二进制掩模，即地面实况。实际应用中，采用了不完全正交分解，以优化计算效率。正交分解网络（ODN）由ODU构建，能学习到去相关和互补的卷积特征，并选择性地融合这些特征。实验结果显示，ODN在骨架检测、边缘检测、显著性检测等逐像素二元分类任务以及一维关键点检测（如地震定位）中，表现出优于现有技术的性能。" 在卷积神经网络（CNN）的传统架构中，权重共享和空间池化操作导致相邻像素间存在语义关联，这在逐像素分类任务中可能削弱模型的表现。为解决这一问题，本文提出了一种新颖的正交分解单元（Orthogonal Decomposition Unit, ODU）。ODU的核心在于将卷积特征映射转换为正交基，从而减少相邻像素间的相关性。理论上，完全正交分解可以生成一个理想的正交基，理论上可以精确重建任何二进制掩模，即实际的输出地面实况。 然而，完全正交分解的计算成本较高，因此在实际应用中，研究者设计了一种不完全正交分解策略，关注于局部补丁的去相关，以在保持重建性能的同时降低计算需求。这种策略被集成到全卷积网络（Fully Convolutional Network, FCN）中，形成正交分解网络（ODN）。ODN能够学习和融合去相关且互补的卷积特征，以逐像素选择性的方式进行决策，提高分类精度。 实验部分，ODN在一系列的逐像素二元分类任务上展示了优越的性能。包括二维图像处理的任务，如骨架检测、边缘检测和显著性检测，以及一维关键点检测任务，例如在地震定位中检测S波到达时间。在这些任务上，ODN都显著超越了现有的技术方法，表明了正交分解在提升逐像素分类任务性能方面的潜力。 此外，骨架检测是计算机视觉中的关键任务，因为它能够提取出对象的紧凑而信息丰富的表示。边缘检测则有助于形成描述性特征并提供空间约束，对于对象分组、语义分割和定位等任务至关重要。显著性检测则对识别图像中最突出和吸引人的区域具有重要意义，广泛应用于多种计算机视觉应用中。ODN的提出为这些任务提供了新的解决方案，并有望推动相关领域的进步。