論文の概要: Delving into Dark Regions for Robust Shadow Detection
- arxiv url: http://arxiv.org/abs/2402.13631v1
- Date: Wed, 21 Feb 2024 09:07:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 16:22:01.665428
- Title: Delving into Dark Regions for Robust Shadow Detection
- Title(参考訳): ロバスト陰影検出のための暗黒領域への埋め込み
- Authors: Huankang Guan, Ke Xu and Rynson W.H. Lau
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 47.60700654394781
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Shadow detection is a challenging task as it requires a comprehensive
understanding of shadow characteristics and global/local illumination
conditions. We observe from our experiment that state-of-the-art deep methods
tend to have higher error rates in differentiating shadow pixels from
non-shadow pixels in dark regions (ie, regions with low-intensity values). Our
key insight to this problem is that existing methods typically learn
discriminative shadow features from the whole image globally, covering the full
range of intensity values, and may not learn the subtle differences between
shadow and non-shadow pixels in dark regions. Hence, if we can design a model
to focus on a narrower range of low-intensity regions, it may be able to learn
better discriminative features for shadow detection. Inspired by this insight,
we propose a novel shadow detection approach that first learns global
contextual cues over the entire image and then zooms into the dark regions to
learn local shadow representations. To this end, we formulate an effective
dark-region recommendation (DRR) module to recommend regions of low-intensity
values, and a novel dark-aware shadow analysis (DASA) module to learn
dark-aware shadow features from the recommended dark regions. Extensive
experiments show that the proposed method outperforms the state-of-the-art
methods on three popular shadow detection datasets. Code is available at
https://github.com/guanhuankang/ShadowDetection2021.git.
- Abstract(参考訳): シャドー検出は、シャドー特性とグローバル/ローカル照明条件を包括的に理解する必要があるため、難しい課題である。
実験では,暗黒領域の非シャドー画素(低強度領域)とシャドウ画素の区別において,最先端の深層法の方が誤差率が高い傾向が観察された。
この問題に対する私たちの重要な洞察は、既存の方法が通常、画像全体から識別的な影の特徴をグローバルに学習し、全強度値をカバーし、暗黒領域における影と非影のピクセルの微妙な違いを学ばないということです。
したがって、低強度領域の狭い範囲にフォーカスするモデルを設計できれば、影検出のためのより良い識別的特徴を学習することができるかもしれない。
この知見にインスパイアされた新しいシャドウ検出手法を提案し,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シャドウ表現を学習する。
この目的のために,低強度領域を推奨する効果的なダークリージョン推奨(drr)モジュールと,推奨ダーク領域からダークアウェアシャドー特徴を学習する新しいダークアウェアシャドウ分析(dasa)モジュールを定式化した。
実験の結果,提案手法は3つの一般的な影検出データセットにおいて最先端の手法よりも優れていた。
コードはhttps://github.com/guanhuankang/shadowdetection2021.gitで入手できる。
関連論文リスト
- ShadowMamba: State-Space Model with Boundary-Region Selective Scan for Shadow Removal [3.5734732877967392]
本稿では境界領域選択走査と呼ばれる新しい選択的走査法を提案する。
私たちのモデルであるShadowMambaは、シャドウ除去のための最初のMambaベースのモデルです。
論文 参考訳(メタデータ) (2024-11-05T16:59:06Z) - Single-Image Shadow Removal Using Deep Learning: A Comprehensive Survey [78.84004293081631]
影のパターンは任意で変化しており、しばしば非常に複雑な痕跡構造を持つ。
影による劣化は空間的に不均一であり、照度と影と非陰影領域間の色に矛盾が生じている。
この分野での最近の開発は、主にディープラーニングベースのソリューションによって進められている。
論文 参考訳(メタデータ) (2024-07-11T20:58:38Z) - ShadowFormer: Global Context Helps Image Shadow Removal [41.742799378751364]
シャドウ領域と非シャドウ領域のグローバルな文脈的相関を利用して、ディープシャドウ除去モデルを構築することは依然として困難である。
そこで我々はまず、ShandowFormerと呼ばれる新しいトランスフォーマーベースのネットワークを導出するRetinexベースのシャドウモデルを提案する。
グローバル情報を階層的にキャプチャするために,マルチスケールチャネルアテンションフレームワークが使用される。
本稿では,影と非陰影領域のコンテキスト相関を効果的にモデル化するために,影の相互作用を考慮したSIM(Shadow-Interaction Module)を提案する。
論文 参考訳(メタデータ) (2023-02-03T10:54:52Z) - 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) - Shadow-Aware Dynamic Convolution for Shadow Removal [80.82708225269684]
シャドウ領域と非シャドウ領域間の相互依存を分離するための新しいシャドウ・アウェア・ダイナミック・コンボリューション(SADC)モジュールを提案する。
我々のSADCは、非シャドウ領域の色マッピングが学習しやすいという事実に触発され、軽量な畳み込みモジュールで非シャドウ領域を処理する。
我々は,非シャドウ地域からシャドウ地域への情報フローを強化するために,新しいコンボリューション内蒸留損失を開発した。
論文 参考訳(メタデータ) (2022-05-10T14:00:48Z) - R2D: Learning Shadow Removal to Enhance Fine-Context Shadow Detection [64.10636296274168]
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。
論文 参考訳(メタデータ) (2021-09-20T15:09:22Z)
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。