Détection d’ombres consciente des distractions

La détection des ombres constitue une tâche importante et complexe pour la compréhension des scènes. Malgré les résultats prometteurs obtenus par les méthodes récentes basées sur l’apprentissage profond, les travaux existants peinent encore à traiter les cas ambigus où les apparences visuelles des régions ombragées et non ombragées sont similaires (désignés ici comme « distractions »). Dans cet article, nous proposons un réseau de détection d’ombres sensible aux distractions (DSDNet), en apprenant explicitement et en intégrant les sémantiques des régions de distraction au sein d’un cadre end-to-end. Au cœur de notre architecture se trouve un nouveau module autonome et différentiable, appelé module d’ombre sensible aux distractions (DS), qui permet d’apprendre des caractéristiques discriminantes et sensibles aux distractions, pour une détection robuste des ombres, en prédisant explicitement les faux positifs et les faux négatifs. Nous menons des expériences approfondies sur trois jeux de données publics de détection d’ombres : SBU, UCF et ISTD, afin d’évaluer notre méthode. Les résultats expérimentaux démontrent que notre modèle améliore significativement les performances de détection d’ombres, en supprimant efficacement les faux positifs et faux négatifs, atteignant ainsi des résultats de pointe dans le domaine.