富里埃边界特征网络具有更广泛的捕获器,用于玻璃分割

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 图像处理 图像处理

背景情况:

• 玻璃在机器视觉中提出了挑战,因为其传导和反射性能,模糊了现实世界的界限.
• 准确的玻璃表面和透的语义细分对于可靠的机器视觉系统至关重要.
• 现有的方法难以有效地划分玻璃边界和处理反射噪声.

研究的目的:

• 提出一种新型网络,即具有更广泛的捕获器的福里埃边界特征网络 (FBWC),用于增强玻璃图像细分.
• 为应对玻璃透射率和反射率在机器视觉任务中所带来的挑战.
• 为了提高图像中的细分表面和穿透玻璃的精度和稳定性.

主要方法:

• 引入了具有更宽捕获器 (FBWC) 的里埃边界特征网络,利用宽水平浅分支进行细粒度边界细分.
• 设计的Wider Coarse-Catchers (WCC) 用于强大的大面积细分和减少特征过度提取.
• 员工交叉转移注意力 (CTA) 以减轻反射噪声,并确保完整的边界区域细分.
• 开发了一个可学习的福里埃卷积控制器 (FCC),用于有效集成多层上下文信息.

主要成果:

• FBWC方法在三个公共数据集的玻璃图像细分方面表现出卓越的性能.
• 与现有的最先进的 (SOTA) 方法相比,实现了更好的细分精度.
• 有效地清除了玻璃造成的边界模糊,并减少了假阳性特征捕获.

结论:

• 拟议的FBWC网络在玻璃图像细分方面取得了重大进展.
• 新的建筑组件 (WCC,CTA,FCC) 有效地解决了与玻璃特性相关的挑战.
• FBWC为涉及玻璃的机器视觉任务提供了强大而准确的解决方案.