ガラス状物体のセグメンテーションのための境界学習の強化

窓、ボトル、ミラーなどガラス質の物体は現実世界に広く存在しており、これらの物体を認識することはロボットのナビゲーションや把持など、多くの応用に役立つ。しかし、ガラス質物体の背後にあるシーンが任意であるため、このタスクは極めて困難である。本論文では、強化された境界学習を用いてガラス質物体のセグメンテーション問題を解決することを目的としている。具体的には、より精細な境界特徴を出力する新しい精緻化差分モジュールを提案する。さらに、境界に沿ったグローバルな形状をモデル化するエッジ認識型ポイントベースグラフ畳み込みネットワークモジュールを導入する。これらの2つのモジュールを組み合わせて、特に物体の輪郭部における正確でクリーンなセグメンテーション結果を生成するデコーダーを設計した。これらのモジュールは軽量でありながら効果的であり、さまざまなセグメンテーションモデルに容易に統合可能である。最近のガラス質物体セグメンテーションデータセット3つ（Trans10k、MSD、GDD）における広範な実験では、本手法が新たなSOTA（最先端）性能を達成した。また、Cityscapes、BDD、COCO Stuffの3つの汎用セグメンテーションデータセットにおいても、本手法の優れた汎化能力を示した。コードおよびモデルは、\url{https://github.com/hehao13/EBLNet} にて公開されている。