机构名称：
¥ 1.0
镜像检测是计算机视频中的一个主动研究主题。但是，所有现有的镜像探测器都从大规模像素的数据集中学习镜像代表，这些数据集乏味且获得昂贵。尽管在相关主题中广泛探索了弱监督的学习，但我们注意到流行的弱监督信号（例如，边界框，涂鸦，点）仍然需要用户的一些努力来定位目标对象，并以强烈的假设是，注释的图像始终包含目标对象。这样的假设可能会导致miror子的过度分割。我们对这项工作的关键思想是，在一段时间内，伴侣的存在可能是较弱的监督，以训练镜像探测器，原因有两个。首先，如果网络可以预测镜子的存在，则可以从本质上找到镜子。第二，我们观察到镜子的反射内容往往与相邻帧中的内容相似，但与遥远框架的区域形成了鲜明的对比（例如，非MIRROR框架）。在本文中，我们提出了Zoom，这是从视频中人均零镜像指示器的极度弱势注释中学习强大镜像表示形式的第一种方法。缩放的关键见解是在时间变化中对相似性和对比度进行建模，以定位和分割mir or。为此，我们提出了一种新颖的融合策略，以利用镜像定位的时间一致性信息，以及一个新颖的时间相似性对比模型模型用于镜像分割。我们构建了一个新的视频镜数据集，以进行培训和评估。在新的和标准指标下的实验结果表明，Zoom对现有的全面监督镜像检测方法的性能有益。
Zoom：学习视频镜面检测，并具有极高的监督
主要关键词
相关文件推荐
