深入暗区域以实现鲁棒的阴影检测
计算机视觉与模式识别
2024-02-22 v1
摘要
阴影检测是一项具有挑战性的任务，因为它需要对阴影特征以及全局/局部光照条件有全面的理解。我们从实验中观察到，最先进的深度学习方法在区分暗区域（即低强度值区域）中的阴影像素与非阴影像素时，往往具有更高的错误率。我们对这一问题的关键洞察是，现有方法通常从整幅图像全局学习具有判别性的阴影特征，覆盖了完整的强度值范围，因而可能无法学习到暗区域中阴影与非阴影像素之间的细微差异。因此，如果我们能设计一个模型使其聚焦于更窄范围的低强度区域，它可能就能为阴影检测学习到更好的判别性特征。受此启发，我们提出了一种新颖的阴影检测方法，该方法首先在整幅图像上学习全局上下文线索，然后放大暗区域以学习局部阴影表示。为此，我们设计了一个有效的暗区域推荐模块来推荐低强度值区域，以及一个新颖的暗感知阴影分析模块，用于从推荐的暗区域中学习暗感知阴影特征。大量实验表明，所提出的方法在三个流行的阴影检测数据集上优于现有最先进的方法。代码可在 https://github.com/guanhuankang/ShadowDetection2021.git 获取。
引用
@article{arxiv.2402.13631,
title = {Delving into Dark Regions for Robust Shadow Detection},
author = {Huankang Guan and Ke Xu and Rynson W. H. Lau},
journal= {arXiv preprint arXiv:2402.13631},
year = {2024}
}