COSNet: A Novel Semantic Segmentation Network using Enhanced Boundaries in Cluttered Scenes

要約

自動廃棄物リサイクルは、ビジョンベースのシステムを採用することで、廃棄物からリサイクル可能な物体を効率的に分離することを目的としています。
ただし、さまざまな材質のさまざまな形状の物体が存在するため、特に乱雑な環境では困難な問題になります。
既存のセグメンテーション手法は、マルチコンテキスト表現を採用することで、多くのセマンティック セグメンテーション データセットで合理的に実行されますが、乱雑なシナリオで廃棄物オブジェクトのセグメンテーションに使用すると、パフォーマンスが低下します。
さらに、プラスチック製のオブジェクトは半透明であるため、問題はさらに複雑になります。
これらの制限に対処するために、COSNet という名前の効果的なセグメンテーション ネットワークを導入します。このネットワークは、境界キューとマルチコンテキスト情報を使用して、乱雑なシーン内のオブジェクトを正確にセグメント化します。
COSNet は、雑然とした環境で不規則な廃棄物の特徴を強化し、境界情報を強調表示するための特徴鮮明化ブロック (FSB) や境界強調モジュール (BEM) などの新しいコンポーネントを導入しています。
ZeroWaste-f、SpectralWaste、ADE20K を含む 3 つの困難なデータセットに対する広範な実験により、提案された方法の有効性が実証されました。
当社の COSNet は、mIoU メトリックに関して、ZeroWaste-f で 1.8%、SpectralWaste データセットで 2.1% という大幅な向上をそれぞれ達成しました。

要約(オリジナル)

Automated waste recycling aims to efficiently separate the recyclable objects from the waste by employing vision-based systems. However, the presence of varying shaped objects having different material types makes it a challenging problem, especially in cluttered environments. Existing segmentation methods perform reasonably on many semantic segmentation datasets by employing multi-contextual representations, however, their performance is degraded when utilized for waste object segmentation in cluttered scenarios. In addition, plastic objects further increase the complexity of the problem due to their translucent nature. To address these limitations, we introduce an efficacious segmentation network, named COSNet, that uses boundary cues along with multi-contextual information to accurately segment the objects in cluttered scenes. COSNet introduces novel components including feature sharpening block (FSB) and boundary enhancement module (BEM) for enhancing the features and highlighting the boundary information of irregular waste objects in cluttered environment. Extensive experiments on three challenging datasets including ZeroWaste-f, SpectralWaste, and ADE20K demonstrate the effectiveness of the proposed method. Our COSNet achieves a significant gain of 1.8% on ZeroWaste-f and 2.1% on SpectralWaste datasets respectively in terms of mIoU metric.

arxiv情報

著者 Muhammad Ali,Mamoona Javaid,Mubashir Noman,Mustansar Fiaz,Salman Khan
発行日 2024-10-31 17:03:38+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV パーマリンク