Jul, 2023

玻璃表面分割的内外边界注意力融合

PDF
TL;DR本文提出了一种基于深度学习和语义分割的方法，利用分离的内部 - 外部边界注意力模块，从单色图像中学习和选择性地集成玻璃表面的内部和外部区域的视觉特征，以检测玻璃表面，取得了与其他先进方法相媲美的结果。
glass surfacesvisual appearancesdeep-learning approachesboundary attention modulessemantic segmentation
发现论文，激发创造
  • 玻璃状物体分割的增强边界学习

    本文提出使用增强边缘学习来解决玻璃之类物品的分割问题。通过引入新的微调差分模块和边缘感知点基图卷积网络模块，该方法能够轻松嵌入到各种分割模型中，实现较高的分割精度和清晰度

    Mar, 2021

  • 我的镜子在哪里？

    该论文提出了一种用于镜子分割的新方法，包括构建数据集、提出镜像网络模型和进行实验证明。

    Aug, 2019

  • 基于宽泛接收器的傅里叶边界特征网络用于玻璃分割

    通过提出的 Fourier Boundary Features Network with Wider Catchers (FBWC) 方法，有效利用主要的玻璃语义信息来引导细粒度分割边界，从而清晰划定玻璃所建立的边界，避免将反射表面的特征错误地提取为误报信息，经验证在三种不同的公开玻璃分割数据集上，该方法相比于现有方法在玻璃图像分割方面具有更好的性能。

    May, 2024

  • GEM：通过分段多功能模型和数据合成提升玻璃表面分割的简化网络

    通过使用视觉基础模型，我们提出了一个名为 GEM 的简单玻璃表面分割器，该分割器能够自适应地识别玻璃表面特征，并在 GSD-S 验证集上达到了新的最佳性能（IoU+2.1%）。

    Jan, 2024

  • 语义引导的单张图像去反射

    本文提出使用对象语义作为指导力量，强制将相同对象分配到同一层次来解决玻璃窗后的图像反射问题，并在不同数据集上进行了实验证明该方法的显著性能优势及其在计算机视觉任务中的应用。

    Jul, 2019

  • 多尺度与主要预测指导的玻璃分割

    借鉴比例整合策略和改良方法，我们提出了一种全新的名为 MGNet 的网络，它包括一个 Fine-Rescaling 和 Merging 模块（FRM）来提高提取空间关系的能力，一个 Primary Prediction Guiding 模块（PPG）来更好地从融合后的特征中挖掘剩余语义，并且我们使用一种新的带有不确定性感知损失的损失函数来监督模型生成高置信度的分割地图。与现有的必须在不同设置下训练的玻璃分割模型不同，我们的模型在统一设置下训练，并在三个流行的公共数据集上取得了卓越的性能。可在指定链接获取代码。

    Feb, 2024

  • 野外透明物体分割

    该论文提出了一个大规模数据集 Trans10K，用于透明物体分割，并基于数据集提出了一种新的边界感知分割方法 TransLab，该方法利用边界信息提高了透明物体的分割效果，并在多个实验和消融研究中证明了其有效性。

    Mar, 2020

  • 图分割器：具有边界感知注意力的图变换器用于语义分割

    我们提出了一种名为 Graph-Segmenter 的网络，其中包括 Graph Transformer 和 Boundary-aware Attention 模块，能够同时以全局和局部视角建模窗口之间更深入的关系以及窗口内各个像素的关系，且具有较低的边界调整成本，实现了最先进的分割性能。

    Aug, 2023

  • 通过误差校正的玻璃分割网络

    使用人类错误修正智慧，作者提出了一种名为 GlassSegNet 的新型玻璃分割网络来检测透明玻璃，该网络分为识别阶段和修正阶段，并在三个基准数据集上展示出比三十四种最先进方法更具明显的改进效果。

    Apr, 2023

  • 全球到本地注意力自然场景文字检测

    通过融合全局和局部特征的新型 GLASS 全局到局部注意机制，同时引入定向感知损失项以提高检测和识别表现，在多个基准测试中实现了最先进的结果。

    Aug, 2022