基于分叉骨架策略的 RGB-D 显著目标检测
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
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
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
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
本文针对 RGB-D 显著性检测问题,提出了一种定制化的特征融合模块 SEFF,通过利用邻近尺度的显著性图来增强融合所需的特征,得到更具代表性的融合特征。我们的多尺度 RGB-D 显著性检测器使用 SEFF 处理三个不同尺度的图像,并将 RGB 和深度图像的特征以及不同尺度解码器的特征进行融合。在五个基准数据集上进行的大量实验证明了我们方法在显著性检测上的优越性。
Jan, 2024
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
本文提出了一种双边注意力网络 (BiANet) 来探索前景和背景区域中的显著信息,其中介绍了一种双边注意力模块 (BAM),通过前景优先和背景优先的注意机制来获取前景和背景信息,以更好地优化 RGB-D 任务的性能。基于多尺度和 BAM 技术,我们的 BiANet 在六个基准数据集上实现了显著优越的性能。
Apr, 2020
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