点击我爱计算机视觉标星,更快获取CVML新技术
阵列相机可以从不同的视角记录当前场景,并对场景的结构进行解析,因而在战场侦察、公安监视等领域具有巨大的应用潜力。
近日,国防科技大学研究团队提出阵列相机去除前景遮挡成像新方法,相关论文DeOccNet: Learning to SeeThrough Foreground Occlusions in Light Fields已被WACV2020录用。
作为领域内首个基于深度学习的去遮挡成像工作,作者提出遮挡物掩膜嵌入法(Mask Embedding)解决了训练数据缺乏的问题,并建立了仿真与实测数据集,供领域内算法进行测评。论文信息如下:
论文链接:
https://arxiv.org/abs/1912.04459
代码与数据集链接:
https://github.com/YingqianWang/DeOccNet
引言
在战场侦察、公安监视等领域,复杂的前景遮挡会给目标检测与跟踪等算法带来巨大的挑战。因此,可靠地去除前景遮挡物对于场景的智能感知与智能处理具有重要的意义。阵列相机可以获取当前场景不同视角处的图像,在某个视角中被遮挡的光线可以被其他位置的相机捕捉到。利用阵列图像之间的互补信息可以重建出被遮挡的背景物体,即实现前景遮挡的去除。
论文提出了领域内首个针对光场去遮挡(LF-DeOcc)任务的深度学习网络DeOccNet,Fig. 1展示了论文算法的效果。
Fig. 1(a)展示了渲染数据集中场景Syn01的结构,图中5*5的黄色方块表示阵列相机;
Fig. 1(b)展示了中心子相机获取的含有前景遮挡物的图像;