具有更宽捕获器的傅里叶边界特征网络用于玻璃分割
计算机视觉与模式识别
2024-12-06 v2 人工智能
摘要
玻璃在很大程度上模糊了现实世界与反射之间的边界。其特殊的透射率和反射率特性使与机器视觉相关的语义任务感到困惑。因此，如何清除玻璃构建的边界，并避免在深层结构中过度捕获特征作为假阳性信息，对于约束反射表面和穿透玻璃的分割至关重要。我们提出了具有更宽捕获器的傅里叶边界特征网络（FBWC），这可能是首次尝试利用足够宽的浅层水平分支（无需垂直加深）通过初级玻璃语义信息引导细粒度分割边界。具体来说，我们设计了更宽粗捕获器（WCC）用于锚定大面积分割并从结构角度减少过度提取。我们通过交叉转置注意力（CTA）嵌入细粒度特征，以避免由反射噪声引起的边界内不完整区域。为了挖掘玻璃特征并平衡高低层上下文，我们提出了一种可学习的傅里叶卷积控制器（FCC）来稳健地调节信息集成。所提出的方法已在三个不同的公共玻璃分割数据集上得到验证。实验结果表明，与最先进（SOTA）方法相比，所提出的方法在玻璃图像分割中取得了更好的分割性能。
引用
@article{arxiv.2405.09459,
title = {Fourier Boundary Features Network with Wider Catchers for Glass Segmentation},
author = {Xiaolin Qin and Jiacen Liu and Qianlei Wang and Shaolin Zhang and Fei Zhu and Zhang Yi},
journal= {arXiv preprint arXiv:2405.09459},
year = {2024}
}