(in portuguese: Reconstrução Condicional para Segmentação Semântica de Conjunto Aberto)
Pereira, Matheus Barros; Nunes, Ian; Oliveira, Hugo; Santos, Jefersson Alex Dos; Poggi, Marcus.
IEEE International Conference on Image Processing (ICIP), pp. 946-950, 2022.
http://dx.doi.org/10.1109/icip46576.2022.9897407
Resumo
A segmentação de conjuntos abertos é uma tarefa relativamente nova e inexplorada, com apenas alguns métodos propostos para modelar tais tarefas. Propomos um novo método chamado CoReSeg que aborda o problema usando reconstrução condicionada por classe das imagens de entrada de acordo com sua máscara pixel a pixel. Nosso método condiciona cada pixel de entrada a todas as classes conhecidas, esperando erros maiores para pixels de classes desconhecidas. Observou-se que o método proposto produz melhor consistência semântica em suas previsões do que as linhas de base, resultando em mapas de segmentação mais limpos e que se ajustam melhor aos limites dos objetos. CoReSeg supera métodos de última geração nos conjuntos de dados Vaihingen e Potsdam ISPRS, ao mesmo tempo que é competitivo no conjunto de dados IEEE GRSS Data Fusion de Houston 2018. Nossa implementação oficial para CoReSeg está disponível em: https://github.com/iannunes/CoReSeg.