用于遮挡关系推理的遮挡共享与特征分离网络
计算机视觉与模式识别
2019-08-19 v1 图像与视频处理
摘要
遮挡关系推理需要闭合轮廓来表达物体，并需要每个轮廓像素的方向来描述物体之间的顺序关系。当前基于 CNN 的方法忽视了该任务的两个关键问题：（1）两个要素（即遮挡边缘与遮挡方向）的相关性与差异性同时存在；（2）对方向特征的探索不足。出于上述原因，我们提出了遮挡共享与特征分离网络（OFNet）。一方面，考虑到边缘与方向之间的相关性，设计了两个子网络以共享遮挡线索。另一方面，将整个网络拆分为两条路径，分别学习高层语义特征。此外，提取了用于方向预测的上下文特征，其表示前景与背景区域的双侧线索。然后将该双侧线索与遮挡线索融合，以精确定位物体区域。最后，设计了一种条带卷积，以进一步聚合遮挡边缘周围场景的特征。所提出的 OFNet 在 PIOD 和 BSDS ownership 数据集上显著超越了最先进的方法。源代码可在 https://github.com/buptlr/OFNet 获取。
引用
@article{arxiv.1908.05898,
title = {Occlusion-shared and Feature-separated Network for Occlusion Relationship Reasoning},
author = {Rui Lu and Feng Xue and Menghan Zhou and Anlong Ming and Yu Zhou},
journal= {arXiv preprint arXiv:1908.05898},
year = {2019}
}
备注
Accepted by ICCV 2019. Code and pretrained model are available at https://github.com/buptlr/OFNet