論文の概要: Large-Field Contextual Feature Learning for Glass Detection

• arxiv url: http://arxiv.org/abs/2209.04639v1
• Date: Sat, 10 Sep 2022 11:08:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-13 13:15:55.651634
• Title: Large-Field Contextual Feature Learning for Glass Detection
• Title（参考訳）: ガラス検出のための大規模コンテキスト特徴学習
• Authors: Haiyang Mei, Xin Yang, Letian Yu, Qiang Zhang, Xiaopeng Wei, Rynson W.H. Lau
• Abstract要約: ガラス表面を1枚のRGB画像から検出する重要な問題を提案する。 この問題に対処するため、我々は最初の大規模ガラス検出データセット(GDD)を構築した。 本稿では,GDNet-Bと呼ばれる新しいガラス検出ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 44.222075782263175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Glass is very common in our daily life. Existing computer vision systems neglect it and thus may have severe consequences, e.g., a robot may crash into a glass wall. However, sensing the presence of glass is not straightforward. The key challenge is that arbitrary objects/scenes can appear behind the glass. In this paper, we propose an important problem of detecting glass surfaces from a single RGB image. To address this problem, we construct the first large-scale glass detection dataset (GDD) and propose a novel glass detection network, called GDNet-B, which explores abundant contextual cues in a large field-of-view via a novel large-field contextual feature integration (LCFI) module and integrates both high-level and low-level boundary features with a boundary feature enhancement (BFE) module. Extensive experiments demonstrate that our GDNet-B achieves satisfying glass detection results on the images within and beyond the GDD testing set. We further validate the effectiveness and generalization capability of our proposed GDNet-B by applying it to other vision tasks, including mirror segmentation and salient object detection. Finally, we show the potential applications of glass detection and discuss possible future research directions.
• Abstract（参考訳）: ガラスは私たちの日常生活でとても一般的です。 既存のコンピュータビジョンシステムはそれを無視し、例えばロボットがガラス壁に衝突するなど、深刻な結果をもたらす可能性がある。 しかし、ガラスの存在を感知することは容易ではない。 重要な課題は、任意のオブジェクト/シーンがガラスの後ろに現れることだ。 本稿では,単一のrgb画像からガラス表面を検出するための重要な問題を提案する。 この問題に対処するため,第1次大規模ガラス検出データセット(GDD)を構築し,GDNet-Bと呼ばれる新しいガラス検出ネットワークを提案する。 GDNet-BはGDDテストセット内外の画像に対して満足なガラス検出結果が得られることを示した。 ミラー分割や有能物体検出など他の視覚タスクに適用することにより,提案したGDNet-Bの有効性と一般化能力をさらに検証する。 最後に,ガラス検出の応用の可能性を示し,今後の研究の方向性について論じる。

関連論文リスト

• Fourier Boundary Features Network with Wider Catchers for Glass Segmentation [12.465008923418406]
  反射面と透過ガラスのセグメンテーションを制約する新しい手法を提案する。 提案手法はガラス画像分割における最先端技術 (SOTA) 法と比較して, セグメンテーション性能が向上する。
  論文  参考訳（メタデータ） (2024-05-15T15:52:27Z)
• Towards Unified 3D Object Detection via Algorithm and Data Unification [70.27631528933482]
  我々は、最初の統一型マルチモーダル3Dオブジェクト検出ベンチマークMM-Omni3Dを構築し、上記のモノクロ検出器をマルチモーダルバージョンに拡張する。 設計した単分子・多モード検出器をそれぞれUniMODEとMM-UniMODEと命名した。
  論文  参考訳（メタデータ） (2024-02-28T18:59:31Z)
• Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object Detector [72.05791402494727]
  本稿では,CD-FSODを用いたクロスドメイン小ショット検出法について検討する。 最小限のラベル付き例で、新しいドメインのための正確なオブジェクト検出器を開発することを目的としている。
  論文  参考訳（メタデータ） (2024-02-05T15:25:32Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• Progressive Glass Segmentation [26.438341615170614]
  ガラスには独自の視覚的な外観はなく、周囲の外観を伝達・反射するだけである。 既存のメソッドは通常、ディープネットワークのさまざまなレベルの機能から有用なキューを探索し、組み合わせます。 本研究では,識別可能性向上 (DE) モジュールを開発した。
  論文  参考訳（メタデータ） (2022-09-06T08:11:17Z)
• Depth-aware Glass Surface Detection with Cross-modal Context Mining [39.091162729266294]
  ガラスの表面は、現代の建物が多くのガラスパネルを使用する傾向にあるため、ますます広くなっている。 これは、ロボット、自動運転車、ドローンなどの自律システムの運用に重大な課題をもたらす。 既存の作品は、ガラス境界のコンテキストや反射など、様々な手がかりを前者として活用しようと試みている。 RGB-D情報を取り入れたガラス表面検出のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-22T17:56:09Z)
• High-resolution Iterative Feedback Network for Camouflaged Object Detection [128.893782016078]
  カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。 エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。 我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
  論文  参考訳（メタデータ） (2022-03-22T11:20:21Z)
• GlassNet: Label Decoupling-based Three-stream Neural Network for Robust Image Glass Detection [1.1825946875790057]
  我々はラベルデカップリングを利用してラベル付き接地トラス(GT)マップを内部拡散マップと境界拡散マップに分解する。 新たに生成された2つの地図と協調したGTマップは、オブジェクト境界の不均衡分布を破り、ガラス検出品質が向上する。 マルチモーダル情報を統合するために,アテンションベースの境界認識機能であるMosaicモジュールを開発した。
  論文  参考訳（メタデータ） (2021-08-25T08:33:49Z)
• Enhanced Boundary Learning for Glass-like Object Segmentation [55.45473926510806]
  本稿では,拡張境界学習によるガラス状物体分割問題を解くことを目的とする。 特に,より微細な境界キューを生成するための改良された微分モジュールを最初に提案する。 境界に沿った大域的な形状表現をモデル化するために,エッジ対応のグラフ畳み込みネットワークモジュールを提案する。
  論文  参考訳（メタデータ） (2021-03-29T16:18:57Z)

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。