基于级联互信息最小化的 RGB-D 显著性检测
这篇论文介绍了一种通过涂鸦监督实现弱监督 RGB-D 显著性目标检测模型的方法,通过互模态相互信息正则化来改进多模态表示学习,采用了不对称特征提取器和多模态变分自编码器作为随机预测细化技术。作者的方法比传统方法更有效,并且在现有的数据集上取得了与全监督模型相当的性能。
Jun, 2023
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
本文提出了一个名为 MCINet 的基于 RGB-D 的 SOD 深度学习网络,该深度学习网络具有多层跨模态交互及特征学习组件,可以有效地提高 SOD 性能。实验结果表明,MCINet 比 14 种最先进的方法表现更优,且能够显著提高 SOD 性能。
Jul, 2020
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
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