RGB-D 显著目标检测的自适应融合
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
该论文旨在提出一个系统性的解决方案来解决 RGB-D 突出物检测问题,该方案通过模态特定表示学习、互补线索选择和跨模态补充融合等三个方面进行统一的处理,并构建了一种自适应的残差函数来融合跨模态信息以实现足够的跨模态交互和跨层传输支持。
Sep, 2019
本文提出了一种深度敏感的 RGB 特征建模方案,并使用深度几何先验来实现特征增强和背景分心减少。另外,我们还提出了一种自动架构搜索方法来进行 RGB-D 显着对象检测,取得了比现有技术更好的结果。
Mar, 2021
本文旨在解决如何有效地融合 RGB-D 信息来进行显著目标检测的关键问题。通过提出一个新的互惠关注模型来融合来自不同模态的注意力和上下文信息,实现高阶和三线性交叉信息互补,从而提高 RGB-D SOD 的模型性能。同时,通过添加选择性关注来重新加权深度相关信息,提高模型的鲁棒性。在两个数据集上的实验验证了该模型的有效性。
Oct, 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
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
该研究提出了一种名为 RD3D 的深度学习模型,其采用前编码器阶段的预聚合和后解码器阶段的深层特征融合来促进 RGB 和深度流的充分融合,并在 RGB-D 显着目标检测模型方面表现优于 14 种先进模型。
Jan, 2021
本文主要介绍了如何运用 Cascade Graph Neural Networks 框架,综合利用颜色和深度两种信息源,以达到更好的 RGB-D 显著目标检测性能。通过采用新颖的 Cascade Graph Reasoning 模块,对两种数据进行处理并建立高层次关系,可以更好地应对诸如遮挡和不确定因素带来的挑战。实验结果表明,该方法在多个常用基准测试中均取得了优异的性能表现。
Aug, 2020
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