本文提出一种高效紧凑的深度神经网络来进行 RGB-D 显着目标检测，首先通过从头学习构建轻量级深度流提取有效特征，然后使用指导残差块交替地将 RGB 和深度特征输入，通过分层指导减少互相降解并提高效率，大量实验结果表明该模型在精度和效率方面相对于现有方法均有改进。

Aug, 2020

本文提出了一种名为 DPANet 的新型网络，通过引入深度潜力感知，有效地整合交叉模态互补性并解决 RGB-D 显着目标检测中的污染效应问题，并利用带门控调节器的门控多模式注意力模块从交叉模态的角度捕获长距离依赖关系，并在 8 个数据集上与 15 种当前最先进的方法进行实验室实验来验证所提方法的有效性。

Mar, 2020

本文研究使用卷积神经网络，通过跨模态传输问题对深度引导显著性检测进行提高。在这个方法中，我们有效地利用源模态的辅助数据来训练红绿蓝（RGB）显著性检测网络，并利用深度特定信息来预训练模态分类网络。这两个模块都是独立训练的，然后被拼接起来来初始化并优化最终的深度引导显著性检测模型。实验证明，这种预训练策略及所提出的方法都可以显著且一致地提高性能。

Mar, 2017

提出了一种利用高层次、中层次和低层次特征的深度卷积神经网络结构以及适用于学习方法的新颖深度特征，并在 RGB-D 显著目标检测方面表现出比现有方法更好的效果，特别是在 RGBD1000 数据集上，其 F-Score 达到了 0.848，比第二名高出 10.7%。

May, 2017

本研究提出了一种新颖的协作学习框架，其中边缘、深度和显著性以一种更有效的方式进行利用，解决了现有 RGB-D 模型中存在的问题，使其更轻量化、更快速和更多功能。实验结果表明，该模型在七个基准数据集上具有卓越的性能。

Jul, 2020

本文提出了一种新的卷积神经网络来融合不同的 RGBD 低级显著性线索，利用 Laplacian 传播框架提取空间一致的显著性图，并在三个数据集上进行了广泛的实验评估，结果表明这种方法始终优于现有的最先进方法。

Jul, 2016

本文通过提出新的 SIP 数据集和 D3Net 模型，填补了 RGB-D 信息在人类活动场景中突出对象检测方面的空白，并比较了 32 个模型，在 7 个数据集上评估了 18 个部分，超过了先前任何竞争者的表现，为该领域的研究提供了强有力的模型，可以有效地从实际场景中提取突出的物体掩码，并在单个 GPU 上以 65fps 的速度进行背景更改应用。

Jul, 2019

本研究提出一种单流网络，利用深度信息实现早期融合和中期融合之间的引导，解决不同模态之间的不兼容问题，并设计了一种增强深度双重注意力模块（DEDA）和锥形局部注意提取模块（PAFE），以提高实时目标检测的准确性和效率。

Jul, 2020

本研究提出了一种基于全卷积神经网络的多任务深度显着性模型，通过数据驱动的策略对显着性先验信息进行编码，并设置一个多任务学习框架来探索显着性检测和语义图像分割之间的内在相关性。实验结果表明，与现有方法相比，该方法在显着性对象检测方面具有明显的优势。

Oct, 2015

本文提出了一种自适应融合方案，通过两个卷积神经网络中提取的特征和预测的显著性地图，学习一个切换显著性地图的开关来自适应地融合 RGB 和深度模态中所生成的显著性预测。为了实现全监督，利用显著性监督、开关映射监督和边缘保留约束来设计了一个损失函数，并通过端到端训练方式训练整个网络。经过自适应融合策略和边缘保留约束的好处，我们的方法在三个公开数据集上优于已有方法。

Jan, 2019