利用阴影去除的细粒度上下文阴影检测
计算机视觉与模式识别
2021-11-30 v2
摘要
当前的阴影检测方法在检测较小、不清晰或边缘模糊的阴影区域时表现不佳。在这项工作中，我们尝试从两个方面解决该问题。首先，我们提出了一种细粒度上下文感知阴影检测网络（FCSD-Net），其中我们限制感受野大小并聚焦于低级特征，以更好地学习细粒度上下文特征。其次，我们提出了一种称为修复即检测（R2D）的新学习策略，表明当深度神经网络被训练用于修复（阴影去除）时，它也能学习到描绘阴影掩码的有意义特征。为利用阴影检测与去除任务的这种互补性质，我们训练了一个用于阴影去除的辅助网络，并提出了互补特征学习块（CFL），以从阴影去除网络向阴影检测网络学习和融合有意义特征。我们使用R2D学习策略在多个数据集上训练所提出的FCSD-Net。在三个公开阴影检测数据集（ISTD、SBU和UCF）上的实验结果表明，与其他近期方法相比，我们的方法提升了阴影检测性能，同时能更好地检测细粒度上下文。
引用
@article{arxiv.2109.09609,
title = {Fine-Context Shadow Detection using Shadow Removal},
author = {Jeya Maria Jose Valanarasu and Vishal M. Patel},
journal= {arXiv preprint arXiv:2109.09609},
year = {2021}
}