用于热 facial 图像语义分割的自对抗多尺度对比学习
计算机视觉与模式识别
2022-10-11 v2
摘要
热 facial 图像的分割是一项具有挑战性的任务。这是因为由于高动态热范围场景和遮挡问题,面部特征往往缺乏显著性。来自非受限环境的有限数据集进一步限制了为RGB图像构建并验证的最先进分割网络、损失函数和学习策略的使用。为应对该挑战,我们提出自对抗多尺度对比学习(SAM-CL)框架作为热图像分割的新训练策略。SAM-CL框架由SAM-CL损失函数和作为特定领域增强技术的热图像增强(TiAug)模块组成。我们使用Thermal-Face-Database来证明我们所方法的有效性。在现有分割网络(UNET、Attention-UNET、DeepLabV3和HRNetv2)上进行的实验证明了SAM-CL框架带来的一致性能提升。此外,我们使用UBComfort和DeepBreath数据集进行定性分析,讨论我们所提方法在处理非受限情况时的表现。
引用
@article{arxiv.2209.10700,
title = {Self-adversarial Multi-scale Contrastive Learning for Semantic Segmentation of Thermal Facial Images},
author = {Jitesh Joshi and Nadia Bianchi-Berthouze and Youngjun Cho},
journal= {arXiv preprint arXiv:2209.10700},
year = {2022}
}
备注
Accepted at the British Machine Vision Conference (BMVC), 2022