野外透明物体分割
计算机视觉与模式识别
2020-08-04 v3
摘要
由玻璃制成的窗户和瓶子等透明物体广泛存在于现实世界中。分割透明物体具有挑战性，因为这些物体继承了图像背景的多样外观，使其与周围环境外观相似。除该任务的技术难度外，先前仅有少数数据集专门设计并收集以探索此任务，且现有大多数数据集存在重大缺陷：它们要么样本量有限（如仅约千张无人工标注的图像），要么全部使用计算机图形学方法生成图像（即非真实图像）。为解决这一重要问题，本文提出一个用于透明物体分割的大规模数据集，名为Trans10K，包含10,428张真实场景图像及精细人工标注，其规模是现有数据集的10倍。如图1所示，Trans10K中的透明物体因尺度、视角与遮挡的高度多样性而极具挑战性。为评估Trans10K的有效性，我们提出一种新颖的边界感知分割方法，称为TransLab，其利用边界作为线索以改进透明物体分割。大量实验与消融研究证明了Trans10K的有效性并验证了在TransLab中学习物体边界的实用性。例如，TransLab显著优于20种近期基于深度学习的物体分割方法，表明该任务在很大程度上尚未解决。我们相信Trans10K与TransLab对学术界与工业界均有重要贡献，将促进未来研究与应用。
引用
@article{arxiv.2003.13948,
title = {Segmenting Transparent Objects in the Wild},
author = {Enze Xie and Wenjia Wang and Wenhai Wang and Mingyu Ding and Chunhua Shen and Ping Luo},
journal= {arXiv preprint arXiv:2003.13948},
year = {2020}
}
备注
ECCV2020 Accept