渐进式玻璃分割
计算机视觉与模式识别
2022-09-14 v1
摘要
玻璃在现实世界中非常常见。受玻璃区域的不确定性以及玻璃后方多变复杂场景的影响，玻璃的存在给许多计算机视觉任务带来了严峻挑战，使得玻璃分割成为一项重要的计算机视觉任务。玻璃自身没有视觉外观，仅透射或反射周围环境的表象，这使其与其他常见物体有本质区别。为应对这一挑战性任务，现有方法通常探索并组合深度网络中不同层级特征的有用线索。由于不同层级特征之间存在特性差异，即深层特征嵌入更多高层语义、更擅长定位目标物体，而浅层特征具有更大的空间尺寸并保留更丰富、更细致的低层信息，因此直接融合这些特征会导致次优解。本文分两步实现面向精确玻璃分割的有效特征融合。首先，我们试图通过提出可判别性增强（DE）模块来弥合不同层级特征间的特性差异，使层级特定特征成为更具判别性的表示，从而缓解融合时的特征不兼容性。其次，我们设计基于聚焦与探索的融合（FEBF）模块，通过突出层级不同特征间的共性并探索其差异，在融合过程中充分挖掘有用信息。
引用
@article{arxiv.2209.02280,
title = {Progressive Glass Segmentation},
author = {Letian Yu and Haiyang Mei and Wen Dong and Ziqi Wei and Li Zhu and Yuxin Wang and Xin Yang},
journal= {arXiv preprint arXiv:2209.02280},
year = {2022}
}