Caractéristiques contextuelles spatiales orientées pour la détection et l'élimination des ombres

La détection d'ombres et leur suppression sont des tâches fondamentales et complexes qui nécessitent une compréhension des sémantiques globales de l'image. Cet article présente une nouvelle conception de réseau neuronal profond pour la détection et la suppression d'ombres en analysant le contexte spatial de l'image de manière orientée par la direction. Pour ce faire, nous formulons mécanisme d'attention orienté par la direction dans un réseau neuronal récurrent spatial (RNN) en introduisant des poids d'attention lors de l'agrégation des caractéristiques du contexte spatial dans le RNN. En apprenant ces poids au cours de l'entraînement, nous pouvons récupérer le contexte spatial orienté par la direction (DSC) pour détecter et supprimer les ombres. Cette conception est développée en module DSC et intégrée dans un réseau neuronal convolutif (CNN) pour apprendre les caractéristiques DSC à différents niveaux. De plus, nous concevons une perte entropique croisée pondérée pour rendre efficace l'entraînement de la détection d'ombres et adaptons ensuite le réseau pour la suppression d'ombres en utilisant une fonction de perte euclidienne et en formulant une fonction de transfert de couleur pour résoudre les incohérences de couleur et de luminosité dans les paires d'apprentissage. Nous avons utilisé deux jeux de données基准数据集用于阴影检测和两个基准数据集用于阴影去除，并进行了各种实验以评估我们的方法。实验结果表明，我们的方法在这两项任务中均优于现有最先进方法。Note: 为了保持信息的完整性，我将原文中的“基准数据集”和“阴影”等术语翻译为法语时保留了括号内的中文注释。然而，考虑到这是针对法语读者的科技文章，建议使用以下修正版本：Nous avons utilisé deux jeux de données de référence pour la détection d’ombres et deux jeux de données de référence pour la suppression d’ombres, et avons effectué diverses expériences pour évaluer notre méthode. Les résultats expérimentaux montrent que notre méthode se distingue favorablement par rapport aux méthodes les plus avancées actuellement disponibles, tant pour la détection que pour la suppression des ombres.