Détection progressive du miroir

Le problème de détection des miroirs est crucial, car les miroirs peuvent impacter les performances de nombreuses tâches de vision par ordinateur. Il s’agit d’un problème difficile, car il nécessite une compréhension sémantique globale de la scène. Récemment, une méthode a été proposée pour détecter les miroirs en apprenant des contrastes contextuels multi-niveaux entre l’intérieur et l’extérieur des miroirs, ce qui permet de localiser implicitement les bords des miroirs. Nous observons que le contenu reflété par un miroir correspond au contenu de son environnement immédiat, séparé par le bord du miroir. Dans ce travail, nous proposons donc un modèle qui apprend progressivement la similarité de contenu entre l’intérieur et l’extérieur du miroir tout en détectant explicitement les bords des miroirs. Notre contribution se décline en deux axes principaux. Premièrement, nous introduisons un nouveau module de contraste contextuel relationnel local (RCCL) pour extraire et comparer les caractéristiques du miroir avec celles de son contexte correspondant, ainsi qu’un module de détection et de fusion des bords (EDF) permettant d’apprendre les caractéristiques des bords des miroirs dans des scènes complexes grâce à une supervision explicite. Deuxièmement, nous construisons un ensemble de données de référence exigeant, comprenant 6 461 images contenant des miroirs. Contrairement au jeu de données MSD existant, qui présente une diversité limitée, notre ensemble de données couvre une grande variété de scènes et est significativement plus volumineux. Les résultats expérimentaux montrent que notre modèle surpasser les méthodes de pointe actuelles.