論文の概要: R2D: Learning Shadow Removal to Enhance Fine-Context Shadow Detection

• arxiv url: http://arxiv.org/abs/2109.09609v1
• Date: Mon, 20 Sep 2021 15:09:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:25:19.045012
• Title: R2D: Learning Shadow Removal to Enhance Fine-Context Shadow Detection
• Title（参考訳）: R2D:ファインコンテキストのシャドウ検出を支援するためのシャドウ除去学習
• Authors: Jeya Maria Jose Valanarasu, Christina Chen, and Vishal M. Patel
• Abstract要約: 現在のシャドウ検出方法は、小さく、不明瞭で、ぼやけたエッジを持つシャドウ領域を検出する際には、性能が良くない。 本稿では,深層ニューラルネットワークを修復訓練(シャドウ除去)するRestore to Detect(R2D)という新しい手法を提案する。 提案手法は,近年の手法に比べて微妙なコンテキストの検出が可能でありながら,影検出性能の向上を図っている。
• 参考スコア（独自算出の注目度）: 64.10636296274168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current shadow detection methods perform poorly when detecting shadow regions that are small, unclear or have blurry edges. To tackle this problem, we propose a new method called Restore to Detect (R2D), where we show that when a deep neural network is trained for restoration (shadow removal), it learns meaningful features to delineate the shadow masks as well. To make use of this complementary nature of shadow detection and removal tasks, we train an auxiliary network for shadow removal and propose a complementary feature learning block (CFL) to learn and fuse meaningful features from shadow removal network to the shadow detection network. For the detection network in R2D, we propose a Fine Context-aware Shadow Detection Network (FCSD-Net) where we constraint the receptive field size and focus on low-level features to learn fine context features better. Experimental results on three public shadow detection datasets (ISTD, SBU and UCF) show that our proposed method R2D improves the shadow detection performance while being able to detect fine context better compared to the other recent methods.
• Abstract（参考訳）: 現在のシャドウ検出法は、小さく、不明瞭で、ぼやけたエッジがあるシャドウ領域を検出すると、うまく機能しない。 この問題に対処するため、我々はRestore to Detect (R2D)と呼ばれる新しい手法を提案し、ディープニューラルネットワークが復元(シャドウ除去)のために訓練された場合、シャドウマスクをデライン化するための有意義な特徴を学習することを示した。 シャドウ検出・削除タスクの相補的性質を利用するため,シャドウ除去のための補助ネットワークを訓練し,シャドウ除去ネットワークからシャドウ検出ネットワークへ有意義な特徴を学習・融合するための相補的特徴学習ブロック(cfl)を提案する。 r2d における検出ネットワークについて, 受容場サイズを制約し, 低レベル機能に着目し, 文脈特徴をよりよく学習するファインコンテキストアウェアシャドー検出ネットワーク (fcsd-net) を提案する。 3つの公開陰影検出データセット (ISTD, SBU, UCF) による実験結果から, 提案手法のR2Dは, 他の手法と比較して微妙なコンテキストを検出できる一方で, 陰影検出性能が向上することが示された。

関連論文リスト

• RenDetNet: Weakly-supervised Shadow Detection with Shadow Caster Verification [15.68136544586505]
  既存の影検出モデルは、暗い画像領域と影を区別するのに苦労する。 本稿では,検出されたすべての影が本物であることを検証することによって,この問題に対処する。 このステップは、シーンの異なる再レンダリングと、推定シャドウキャスターの彫刻から生じる変化を観察することにより、物理的に正確な方法で実施する。 このアプローチにより、RenDetNetは、自己教師型で監視信号を計算可能な、学習に基づく最初のシャドウ検出モデルである。
  論文  参考訳（メタデータ） (2024-08-30T09:34:36Z)
• SwinShadow: Shifted Window for Ambiguous Adjacent Shadow Detection [90.4751446041017]
  スウィンシャドウ(SwinShadow)は、隣接する影を検出するための強力なシフトウインドウ機構をフル活用したトランスフォーマーベースのアーキテクチャである。 プロセス全体は、エンコーダ、デコーダ、機能統合の3つの部分に分けられる。 SBU, UCF, ISTDの3つのシャドウ検出ベンチマークデータセットの実験により, ネットワークがバランスエラー率(BER)の点で優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-08-07T03:16:33Z)
• Delving into Dark Regions for Robust Shadow Detection [47.60700654394781]
  最先端のディープメソッドは、暗黒領域の非シャドウピクセルとシャドウピクセルを区別する際のエラー率が高い傾向にある。 そこで我々は,まず画像全体を通してグローバルな文脈的手がかりを学習し,次に暗黒領域に拡大して局所的な影表現を学習する,新しいシャドウ検出手法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T09:07:07Z)
• Progressive Recurrent Network for Shadow Removal [99.1928825224358]
  シングルイメージのシャドー削除は、まだ解決されていない重要なタスクである。 既存のディープラーニングベースのアプローチのほとんどは、シャドウを直接削除しようとするが、シャドウをうまく扱えない。 本稿では,影を段階的に除去する簡易かつ効果的なプログレッシブ・リカレント・ネットワーク(PRNet)を提案する。
  論文  参考訳（メタデータ） (2023-11-01T11:42:45Z)
• Estimating Reflectance Layer from A Single Image: Integrating Reflectance Guidance and Shadow/Specular Aware Learning [66.36104525390316]
  本稿では,2段階の学習手法を提案し,その課題に対処するためのリフレクタンスガイダンスとシャドウ/スペック・アウェア(S-Aware)ネットワークを提案する。 第1段階では、新規な損失の制約を伴い、影や特異性のない初期反射層を得る。 第二段改良において、反射層が影や特異点に依存しないようにさらに強制するために、入力画像と反射像を区別するS-Awareネットワークを導入する。
  論文  参考訳（メタデータ） (2022-11-27T07:26:41Z)
• DC-ShadowNet: Single-Image Hard and Soft Shadow Removal Using Unsupervised Domain-Classifier Guided Network [28.6541488555978]
  教師なしドメイン分類器ガイド付きシャドー除去ネットワークDC-ShadowNetを提案する。 物理に基づく無影色度, シャドウロスの知覚的特徴, 境界の滑らかさに基づく新しい損失を導入した。 実験の結果,これらすべての新しいコンポーネントは,ソフトシャドウの処理だけでなく,ハードシャドウの処理にも有効であることがわかった。
  論文  参考訳（メタデータ） (2022-07-21T12:04:16Z)
• Controllable Shadow Generation Using Pixel Height Maps [58.59256060452418]
  物理ベースのシャドウレンダリング法は3次元のジオメトリーを必要とするが、必ずしも利用できない。 深層学習に基づく影合成法は、光情報から物体の影へのマッピングを、影の幾何学を明示的にモデル化することなく学習する。 オブジェクト,グラウンド,カメラのポーズ間の相関を符号化する新しい幾何学的表現であるピクセルハイを導入する。
  論文  参考訳（メタデータ） (2022-07-12T08:29:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。