Détection efficace de miroirs par apprentissage hétérogène multi-niveaux

Nous présentons HetNet (Réseau Hétérogène Multi-niveaux \textbf{Het}erogeneous \textbf{Net}work), un réseau de détection de miroirs hautement efficace. Les méthodes actuelles de détection de miroirs privilégient davantage les performances que l'efficacité, ce qui limite leurs applications en temps réel (comme les drones). Leur manque d'efficacité est principalement dû à la conception courante consistant à adopter des modules homogènes à différents niveaux, ignorant ainsi les différences entre les caractéristiques de ces niveaux. En revanche, HetNet détecte initialement les régions potentielles de miroirs grâce à une compréhension bas niveau (par exemple, contraste d'intensité) et combine ensuite cette compréhension avec des analyses basées sur des caractéristiques de haut niveau (comme la discontinuité contextuelle) pour finaliser les prédictions. Pour effectuer une détection de miroirs précise et efficace, HetNet suit une architecture efficace qui obtient des informations spécifiques à différentes étapes afin de détecter les miroirs. Nous proposons également un module de contraste d'intensité multi-orientations (MIC) et un module logique sémantique de réflexion (RSL), intégrés dans HetNet, pour prédire les régions potentielles de miroirs par une compréhension bas niveau et analyser la logique sémantique dans les scénarios par une compréhension haut niveau, respectivement. Comparée à la méthode d'état de l'art, HetNet fonctionne 664\% plus rapidement et offre une amélioration moyenne des performances de 8,9\% sur le MAE, 3,1\% sur l'IoU et 2,0\% sur la F-mesure sur deux benchmarks de détection de miroirs.