用于烟雾分割的透射引导贝叶斯生成模型
计算机视觉与模式识别
2023-03-03 v1
摘要
烟雾分割对于精准定位野火以便在早期阶段将其扑灭至关重要。尽管深度神经网络在图像分割任务上取得了有前景的结果，但由于烟雾的非刚性形状和透明外观，它们容易对烟雾分割过度自信。这由两方面导致：一是由于精确烟雾分割训练数据有限带来的知识级不确定性，二是代表标注真值困难的标注级不确定性。为有效建模这两类不确定性，我们引入了一种贝叶斯生成模型，同时估计模型参数的后验分布及其预测。此外，烟雾图像存在低对比度和模糊问题，受基于物理的图像去雾方法启发，我们设计了一种透射引导的局部一致性损失，以引导网络基于像素距离和透射特征学习成对关系。为推动该领域发展，我们还贡献了一个高质量烟雾分割数据集 SMOKE5K，包含 1,400 张真实图像和 4,000 张合成图像及像素级标注。在基准测试数据集上的实验结果表明，我们的模型既实现了准确预测，又获得了代表模型对其预测无知程度的可靠不确定性图。我们的代码和数据集公开于：https://github.com/redlessme/Transmission-BVM。
引用
@article{arxiv.2303.00900,
title = {Transmission-Guided Bayesian Generative Model for Smoke Segmentation},
author = {Siyuan Yan and Jing Zhang and Nick Barnes},
journal= {arXiv preprint arXiv:2303.00900},
year = {2023}
}
备注
Accepted by AAAI2022