Jul, 2019

重构 RGB-D 显著性物体检测：模型、数据集和大规模基准测试

PDF
TL;DR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。
发现论文，激发创造
  • RGB-D 视频中的显著目标检测

    通过构建 RDVS 数据集和引入 DCTNet+，本文在 RGB-D 视频中进行了显著目标检测，通过使用多模态注意力模块实现了多模态特征的增强与融合，实验结果表明 DCTNet + 在 17 个 VSOD 模型和 14 个 RGB-D SOD 模型中表现优越。

    Oct, 2023

  • ViDSOD-100: 一个新的 RGB-D 视频显著物体检测数据集和基线模型

    通过收集新的注释 RGBD 视频 SOD（ViDSOD-100）数据集和提出了一种名为 ATF-Net 的新基线模型，本研究在 RGBD 视频显着目标检测方面取得了更好的性能。

    Jun, 2024

  • 基于三维卷积神经网络的 RGB-D 显著性目标检测

    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

  • RGB-D 显著物体检测：综述

    本文从各个角度综述了基于 RGB-D 的显著性目标检测模型，并详细回顾了相关基准数据集。此外，我们进行了综合评估，并探讨了未来研究的挑战和方向。

    Aug, 2020

  • PDNet: 以先验模型为指导的深度增强网络用于显著目标检测

    该论文提出了一种新的架构 PDNet，它是一个鲁棒的先验模型指导的深度增强网络，用于 RGB-D 显着对象检测，在五个基准数据集上的大量评估表明，我们的提出的方法表现优异，胜过了现有的最先进方法。

    Mar, 2018

  • RGB-D 显著目标检测的自适应融合

    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

  • 一种单流网络的鲁棒性和实时性 RGB-D 显著性目标检测

    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

  • 从深度提升显著性：深度无监督的 RGB-D 显著性检测

    本研究提出了一种基于深度学习和无监督学习的 RGB-D 显著目标检测方法，利用基于深度学习的迭代自动伪标签生成和注意力训练策略，无需人工像素级注释即可在无监督场景下提高 RGB-D 显著目标检测的效率和效果，同时也适用于全监督情况下的场景。

    May, 2022

  • 利用背景圈定、深度对比和自顶向下特征学习 RGB-D 显著对象检测

    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

  • 基于协同学习的准确 RGB-D 显著物体检测

    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