基于阴影解耦和重参的轻量级阴影检测算法

摘要

由于阴影边界上的像素数量往往远小于阴影内部区域的像素数量，准确检测阴影边界区域相比于检测阴影内部区域像素更困难。为了提高在阴影边界上的检测准确率，本文提出了一种新颖且高效的轻量级边界感知阴影检测算法RBNet。首先，将图像分为阴影区域和非阴影区域，并分别采用距离变换将图像的阴影区域、非阴影区域的边界部分和主体解耦。接着，提出RBNet的解码器通过学习阴影区域的边界特征，在监督学习中平衡阴影边界与区域内部像素的对阴影检测性能的影响。然后，在RBNet中设计了一种可多分支融合的结构化重参模块RepConv，通过重参进行多分支融合来减少模型参数量、降低模型计算量并提高模型推理速度。将提出的RBNet和其他常见的阴影检测算法进行了一系列阴影检测对比实验和算法模型消融对比实验。实验结果表明，本文提出的阴影检测算法RBNet不仅模型最小，且具有最快的推理速度，同时，在性能上优于现有的阴影检测算法。RBNet可在小型移动端设备上进行广泛应用，结合阴影去除算法，显著提高目标检测或分割任务的准确性。

关键词

阴影检测 / 深度学习 / 图像解耦 / 卷积网络 / 重参