Efficient Mirror Detection via Multi-level Heterogeneous Learning

要約

HetNet (Multi-level \textbf{Het}erogeneous \textbf{Net}work) は、非常に効率的なミラー検出ネットワークです。
現在のミラー検出方法は、効率よりもパフォーマンスに重点を置いており、リアルタイム アプリケーション (ドローンなど) を制限しています。
それらの効率の欠如は、さまざまなレベルの機能の違いを無視する、さまざまなレベルで同種のモジュールを採用するという共通の設計によって引き起こされます。
対照的に、HetNet は、最初に低レベルの理解 (\textit{e.g.}、強度のコントラスト) を通じて潜在的なミラー領域を検出し、次に高レベルの理解 (たとえば、コンテキストの不連続性) と組み合わせて予測を完成させます。
正確かつ効率的なミラー検出を実行するために、HetNet はさまざまな段階で特定の情報を取得してミラーを検出する効果的なアーキテクチャに従います。
さらに、低レベルの理解によって潜在的なミラー領域を予測し、高レベルの理解によってシナリオのセマンティック ロジックを分析するために、HetNet に搭載された多方向強度ベースのコントラスト モジュール (MIC) とリフレクション セマンティック論理モジュール (RSL) を提案します。
、 それぞれ。
最先端の方法と比較して、HetNet は 664$\%$ 速く実行され、MAE で 8.9$\%$、IoU で 3.1$\%$、および 2.0$\%$ の平均パフォーマンス向上を引き出します。
2 つのミラー検出ベンチマークの F 測定。

要約(オリジナル)

We present HetNet (Multi-level \textbf{Het}erogeneous \textbf{Net}work), a highly efficient mirror detection network. Current mirror detection methods focus more on performance than efficiency, limiting the real-time applications (such as drones). Their lack of efficiency is aroused by the common design of adopting homogeneous modules at different levels, which ignores the difference between different levels of features. In contrast, HetNet detects potential mirror regions initially through low-level understandings (\textit{e.g.}, intensity contrasts) and then combines with high-level understandings (contextual discontinuity for instance) to finalize the predictions. To perform accurate yet efficient mirror detection, HetNet follows an effective architecture that obtains specific information at different stages to detect mirrors. We further propose a multi-orientation intensity-based contrasted module (MIC) and a reflection semantic logical module (RSL), equipped on HetNet, to predict potential mirror regions by low-level understandings and analyze semantic logic in scenarios by high-level understandings, respectively. Compared to the state-of-the-art method, HetNet runs 664$\%$ faster and draws an average performance gain of 8.9$\%$ on MAE, 3.1$\%$ on IoU, and 2.0$\%$ on F-measure on two mirror detection benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google