Apr, 2020

JL-DCF: RGB-D 显著性目标检测的联合学习和稠密协同融合框架

PDF
TL;DR本文提出了一种新颖的联合学习和密集协作融合（JL-DCF）架构，用于 RGB-D 显着对象检测。通过 Siamese 网络，JL-DCF 从 RGB 和深度输入中学习，提供了稳健的显着特征学习和互补特征发现。在四个流行计量标准上全面实验表明，该框架具有良好的普适性和鲁棒性，并提供了实际应用的潜在解决方案。
rgb-d salient object detectionjoint learningdensely-cooperative fusionsiamese networkcomplementary feature discovery
发现论文，激发创造
  • Siamese 网络在 RGB-D 显著性目标检测与更多应用方面的应用

    通过 Siamese 架构的 RGB-D 联合学习和密集协同融合 (JL-DCF) 架构，本文提出了两个有效的组件：联合学习和密集的协同融合。综合实验表明，该方案在七个具有挑战性的数据集上将平均 F 值提高了～2.0%，并且在相关的多模态检测任务中也取得了相当甚至更好的性能。

    Aug, 2020

  • 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

  • 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

  • RGB-D 物体识别的循环卷积融合

    本文提出了一种称为循环卷积融合（RCFusion）的新型 RGB-D 物体识别端到端架构，能够通过组合互补的 RGB 和深度信息表示不同抽象层次的信息来生成紧凑且高度可区分的多模态特征，并在两个流行数据集上的实验中，优于现有的最先进方法。

    Jun, 2018

  • 基于 CNN 的 RGB-D 显著目标检测：学习、选择和融合

    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

  • 基于融合网络的亮度、深度和颜色信息用于语义分割

    本文提出了一种名为 LDFNet 的新型解决方案，通过融合网络来综合利用亮度，深度和颜色信息，以提高 RGB-D 语义分割任务的性能，实验表明其潜力和适用性

    Sep, 2018

  • 重构 RGB-D 显著性物体检测：模型、数据集和大规模基准测试

    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

  • 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

  • 基于深度融合的 RGBD 显著物体检测

    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

  • 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