RFENet: Towards Reciprocal Feature Evolution for Glass Segmentation

要約

ガラス状の物体は日常生活に広く普及していますが、ほとんどの既存の方法ではセグメント化が困難なままです。
透明な特性により背景と区別することが困難になりますが、分離境界が非常に小さいため、正確な輪郭の取得がさらに困難になります。
この論文では、意味学習と境界学習の重要な共進化需要を明らかにすることで、それらの間の相互特徴学習を可能にする選択的相互進化 (SME) モジュールを提案します。
次に、グローバルな形状コンテキストを活用するために、境界付近のあいまいな点に対してきめの細かい特徴改良を実行する構造的注意改良 (SAR) モジュールを提案します。
最後に、マルチスケール表現をさらに活用するために、上記の 2 つのモジュールをカスケード構造に統合し、効果的なガラス状オブジェクトのセグメンテーションのために相互特徴進化ネットワーク (RFENet) を導入します。
広範な実験により、当社の RFENet が 3 つの一般的な公開データセットで最先端のパフォーマンスを達成できることが実証されました。

要約(オリジナル)

Glass-like objects are widespread in daily life but remain intractable to be segmented for most existing methods. The transparent property makes it difficult to be distinguished from background, while the tiny separation boundary further impedes the acquisition of their exact contour. In this paper, by revealing the key co-evolution demand of semantic and boundary learning, we propose a Selective Mutual Evolution (SME) module to enable the reciprocal feature learning between them. Then to exploit the global shape context, we propose a Structurally Attentive Refinement (SAR) module to conduct a fine-grained feature refinement for those ambiguous points around the boundary. Finally, to further utilize the multi-scale representation, we integrate the above two modules into a cascaded structure and then introduce a Reciprocal Feature Evolution Network (RFENet) for effective glass-like object segmentation. Extensive experiments demonstrate that our RFENet achieves state-of-the-art performance on three popular public datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google