基于协同学习的准确 RGB-D 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
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
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
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
提出了一种新颖的深度感知显著目标检测框架,采用多层深度感知规则全面优化 SOD 特征,并将深度信息作为误差加权映射来修正分割过程,该框架在利用 RGB 信息作为输入进行推断时优于现有的 RGB SOD 方法和 RGBD 方法的性能表现,并具有轻量级的实现方式。
May, 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
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
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