- 深入探究暗区以实现强鲁棒阴影检测
通过学习全局环境下的背景特征,并聚焦于暗区域,我们提出了一种新的阴影检测方法,优于现有方法,并在三个主流阴影检测数据集上进行了广泛实验验证。
- AdapterShadow: 为阴影检测调整分段任意模型
我们提出了 AdapterShadow,这是一种用于阴影检测的适应 SAM 模型的方法。我们在 SAM 的冻结图像编码器中插入可训练的适配器,以适应阴影图像,并引入一种新颖的网格采样方法以生成密集的点提示,从而在没有任何手动干预的情况下自动 - ICCVSILT: 基于阴影感知的迭代标签调整用于学习从噪声标签中检测阴影
提出了基于 SILT 的阴影感知迭代标签调整框架,通过将强数据增强与阴影伪造相结合,采用全局 - 局部融合和阴影感知过滤的简单且有效的标签调整策略,以从噪声标签中让网络进行重要的改进,实验证明使用 SILT 训练的简单 U-Net 模型在阴 - MMSDDNet: 基于风格引导的双层解缠网络用于阴影检测
通过设计了 Style-guided Dual-layer Disentanglement Network (SDDNet) 来解决当前阴影检测方法中背景颜色对结果的不利影响,并通过 Shadow Style Filter (SSF) 模块 - SAM 帮助 Shadow:当分割模型遇上阴影去除
本文介绍了一种创新的方法 SAM-helps-Shadow,将分割模型 SAM 用于影子去除,利用零样本学习提高模型在实际场景中的适用性,使用二阶深度展开网络实现影子去除,提高了阴影检测的准确性和效率。
- 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 - 当 SAM 遇见阴影探测
该研究报告使用可提醒的通用物体分割模型(segment anything model,SAM)在一个未被发掘的流行任务中 —— 阴影检测中进行测试,不满意的实验结果表明 SAM 在此任务方面表现不佳。
- 基于 AI 的农业光伏场中阴影模型检测
使用基于卷积神经网络与对抗性生成网络的最新技术,在农业光伏组合中成功检测出树影对植物生长、微气候和蒸散发的影响,但即使面临运动物体和实时监测等挑战,仍需要进一步针对性地开发更复杂的神经网络检测算法与控制系统整合,以提高生产力、增加农民的收益 - CVPRSCOTCH 和 SODA:一个 Transformers 视频阴影检测框架
本研究提出了基于自注意力机制的视频阴影检测模块(SODA)和基于对比学习的阴影表示学习机制(SCOTCH),经实验证明两种方法均在视频阴影检测任务中取得了优异的性能表现。
- CVPR多视角卫星摄影测量的影子神经辐射场
我们提出了一种新的通用方法,用于阴影感知的多视角卫星摄影测量。我们的建议方法是采用隐式体积表示学习中的最新进展。通过训练 Shadow Neural Radiance Field (S-NeRF) 模型,我们能够实现对场景进行 3D 形状估 - 三元协同视频阴影检测
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 - 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 - CVPR基于方向感知的空间背景特征用于阴影检测和去除
本文提出了一种基于深度神经网络和方向感知注意机制的阴影检测和去除方法,并提供了相应的实验和对比结果。
- CVPR面向方向的空间上下文特征在阴影检测中的应用
本文提出了一种基于空间递归神经网络(RNN)的方向感知注意机制的阴影检测新网络,该网络将方向感知空间上下文特征聚合到 RNN 中,通过学习来恢复方向感知空间上下文(DSC),并将其嵌入到卷积神经网络(CNN)中,以学习不同层次的 DSC 特 - 用堆叠式条件生成对抗网络同时学习阴影检测和阴影去除
本研究提出了一种多任务学习的方法,用于联合学习阴影检测和去除。基于条件生成对抗网络的堆叠式模型,该模型可以共同学习这两个任务。研究构建了首个大规模基准,验证了该框架的优越性。
- A+D 网络:使用对抗阴影衰减训练阴影探测器
本文提出了一种基于 GAN 的新型框架,用于在图像中检测阴影,其中训练了一个阴影检测网络(D-Net)以及一个生成对抗训练样例的阴影衰减网络(A-Net),该方法显著提高了 D-Net 对阴影检测的准确性,并且实时检测效果良好。
- 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。
- CVPR基于结构化深度边缘检测的影子优化
本文提出了一种基于 CNN 学习的阴影区域恢复框架,利用阴影边缘的本地结构和图像区域的复杂交互来计算阴影 / 明亮度量,进而通过最小二乘优化问题进行阴影恢复,实现了在不同条件下收集的主要阴影基准数据库上的最先进结果。