Mar, 2021

三元协同视频阴影检测

PDF
TL;DR本文介绍了一个用于动态场景下阴影检测的新视频数据集 ViSha，并在此基础上开发了一种新型模型 TVSD-Net，该模型通过三个并行网络的协同学习来提高单一视频和不同视频之间的判别表示，以及利用辅助相似性损失来挖掘不同视频之间的语义信息。实验表明，该模型在阴影检测方面优于 SOTA 竞争对手。
shadow detectiondynamic scenesvideo datasettvsd-netsemantic information
发现论文，激发创造
  • 视频阴影检测的时间特征扭曲

    本文提出了一种基于光流变形模块和深度网络层的信息检索方法，来更好地聚合时间信息，以提高视频阴影检测的性能，在 ViSha 数据集上测试表明模型的 BER 从 16.7 降低到 12.0，且优于当前最先进的视频阴影检测方法 28％。

    Jul, 2021

  • 学习阴影对应以进行视频阴影检测

    介绍了一个新的视频阴影检测方法 SC-Cor，通过加强阴影区域的像素级相似性来提高帧之间的一致性，并且不需要强制对应标签。此外，该方法考虑了阴影区域内部的可分离性，易于与现有算法集成，且实验结果表明其性能比先前的最优方法更好。

    Jul, 2022

  • 重新审视影子检测：针对复杂环境的新基准数据集

    该研究收集了多种场景的阴影图像并编译了一个新的包含 10,500 张阴影图片的数据集，每张图片都有标记的地面真值遮罩，以支持阴影检测。论文提出了一种快速阴影检测网络，其中包括细节增强模块，用来提取阴影细节，并证明了在一般情况下检测阴影的方法的有效性。

    Nov, 2019

  • 使用合成阴影进行阴影检测和消除的学习

    介绍了 SynShadow，这是一个新的大规模合成阴影 / 无阴影 / 亚光图像三元组数据集及其产生方法：通过对物理接地阴影照明模型的扩展，利用透明图像、亚光图像和阴影衰减参数的任意组合来合成阴影图像，并展示了在一些具有挑战性的基准测试上，使用该数据集支持训练的阴影去除模型的优异表现以及简单微调自 SynShadow 预训练模型的改进效果，并且提供了公开的代码

    Jan, 2021

  • 使用打补丁卷积神经网络从单张图像快速检测阴影

    本研究提出了一种基于深度学习框架的快速阴影检测方法，使用多类支持向量机获取阴影先验图，并使用语义感知的小区域级卷积神经网络对阴影进行训练，实验结果表明该方法显著降低了阴影检测的时间复杂度，并且与最先进的方法相比，不失准确性。

    Sep, 2017

  • 利用 Shadow Transformer 进行多视角检测（及视角一致的数据增强）

    本文介绍了一种新型的多视图检测器，MVDeTr，并使用新的视觉一致性的数据增强方法，以及采用阴影变换技术来聚合多视图信息，提取目标特征，超过了现有最佳方法，能更准确地进行多视图检测。

    Aug, 2021

  • ViDSOD-100: 一个新的 RGB-D 视频显著物体检测数据集和基线模型

    通过收集新的注释 RGBD 视频 SOD（ViDSOD-100）数据集和提出了一种名为 ATF-Net 的新基线模型，本研究在 RGBD 视频显着目标检测方面取得了更好的性能。

    Jun, 2024

  • 检测任意阴影：视频阴影检测中的物体分割

    本研究使用少量的用户协助，利用阴影数据和稀疏提示对 Segment anything model 进行微调，再结合长短期注意机制扩展其能力，使其可以用于视频阴影检测，与现有技术相比，实验结果表明，该方法在 MAE 和 IoU 方面分别提高 17.2% 和 3.3%，验证了我们提出方法的有效性。

    May, 2023

  • 面向组群分割的统一 Transformer 框架：协同分割，共同显著性检测和视频显著对象检测

    该论文提出了一个名为 UFO 的统一框架，通过引入自注意机制和内部 MLP 学习模块，结合图像的空间信息和特征相似性，实现了针对协同分割、协同显著性检测和视频显著性对象检测的多任务单一网络架构，实验结果表明，该方法在精度和速度方面均优于现有方法。

    Mar, 2022

  • 单次拍摄视频目标检测器

    本文介绍了一种用于视频中物体检测的新架构 SSVD，通过对相邻帧的特征进行聚合和估算运动路径，实现了单阶段物体检测。在 ImageNet VID 数据集上进行的实验证明，该方法比现有的物体检测方法更为有效。

    Jul, 2020