通过部分不可实现编码器-解码器代价函数进行光照归一化
计算机视觉与模式识别
2020-11-10 v2
摘要
基于计算机视觉的系统在其生命周期内记录的图像会经历广泛的光照与环境条件变化，影响先前训练的机器学习模型的可靠性。因此图像归一化是一种有价值的预处理组件，可增强模型的鲁棒性。为此，我们引入了一种用于编码器-解码器网络代价函数公式化的新策略，以平均掉输入图像中所有不重要的信息（例如环境特征与光照变化），从而专注于显著特征（例如类实例）的重建。我们的方法利用了在相同场景于不同光照与环境条件下可用的特性，为此我们公式化了一个部分不可实现的重建目标：输入图像将不传达足够的信息来完整重建目标。其适用性在三个公开可用数据集上进行了评估。我们将三元组损失(triplet loss)作为潜空间表示中的正则化器，并结合最近邻搜索以改进对未见光照与类实例的泛化能力。上述后处理的重要性在一个汽车应用中得到凸显。为此，我们发布了一个合成场景数据集，包含三个不同乘客舱的场景，每个场景在十种不同的光照与环境条件下渲染：见 https://sviro.kl.dfki.de
引用
@article{arxiv.2011.03428,
title = {Illumination Normalization by Partially Impossible Encoder-Decoder Cost Function},
author = {Steve Dias Da Cruz and Bertram Taetz and Thomas Stifter and Didier Stricker},
journal= {arXiv preprint arXiv:2011.03428},
year = {2020}
}
备注
This paper is accepted at IEEE Winter Conference on Applications of Computer Vision (WACV), 2021. Supplementary material is available under https://sviro.kl.dfki.de/downloads/papers/wacv2021_supplementary.pdf