要約
ミラー検出問題は、ミラーが多数の視覚タスクの性能に影響を及ぼす可能性があるため重要である。この問題は、シーン全体の意味的構造（グローバルシーンセマンティクス）を理解する必要があるため、困難である。最近、ミラー内部と外部の間における多レベルの文脈的対比を学習することでミラーを検出する手法が提案された。この手法は、ミラーのエッジを間接的に位置付けるのに有効である。本研究では、ミラー内のコンテンツがその周囲のコンテンツを反映しており、ミラーのエッジによって分離されていることに着目し、ミラー内部と外部のコンテンツ類似性を段階的に学習しつつ、ミラーのエッジを明示的に検出するモデルを提案する。本研究の主な貢献は以下の2点である。第一に、ミラーの特徴とその対応する文脈特徴を抽出・比較する新しい関係的文脈対比局所（Relational Contextual Contrasted Local: RCCL）モジュール、および明示的な教師信号を用いて複雑なシーンにおけるミラーエッジ特徴を学習するエッジ検出・融合（Edge Detection and Fusion: EDF）モジュールを提案する。第二に、6,461枚のミラー画像から構成される挑戦的なベンチマークデータセットを構築した。既存のMSDデータセットは多様性に乏しいが、本データセットは多様なシーンをカバーしており、規模もはるかに大きい。実験結果から、本モデルが関連する最先端手法を上回ることを確認した。