Jul, 2023

HODINet: RGB-D 显著物体检测高阶不一致交互网络

PDF
TL;DR本文提出了一种高阶差异交互网络（HODINet）用于 RGB-D 显著目标检测，通过使用 Transformer 和 CNN 作为主干来编码 RGB 和深度特征，并将高阶表示嵌入到空间和通道关注力中以在不同阶段融合跨模式特征，实验证明该方法在四种评估指标下与 24 种现有方法相比具有竞争性的性能。
发现论文，激发创造
  • RGB-D 显著目标检测的跨模态不一致交互网络

    通过重新考虑两种模态的重要性，本文提出了一种新的跨模态矛盾交互网络（CDINet），用于 RGB-D SOD。实验结果表明，这种网络在定量和定性上都优于 15 种现有的方法。

    Aug, 2021

  • 面向 RGB-D 显著性目标检测的分层动态滤波网络

    本文提出了一种新的动态扩张金字塔模块和混合增强损失函数，在 RGB-D 显著目标检测方面表现优于现有方法。

    Jul, 2020

  • 基于点感知交互和卷积神经网络引导的 RGB-D 显著目标检测网络

    通过将 RGB 图像和深度图的互补信息整合，提升了对复杂和具有挑战性场景的显著对象检测（SOD）的能力。我们引入了 CNN 辅助 Transformer 架构，并提出了一种新的 RGB-D SOD 网络，具备点感知交互和 CNN 诱导细化的特点。在实验证明，所提出的网络在定量和定性比较中取得了竞争性的结果。

    Aug, 2023

  • 保留特异性的 RGB-D 显著性检测

    该研究提出了一种称为 SPNet 的新框架，它通过探索共享信息和特定性质（如特定性）来受益于 SOD 性能，并采用双模态特定网络和共同学习网络来生成单独的和共享的显着性预测地图，分别。此外，为了捕获丰富的互补多模态信息以提高 SOD 性能，该研究还提出了一种多模态特征聚合（MFA）模块。

    Aug, 2021

  • 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

  • 多层次交叉模态交互网络用于 RGB-D 显著性目标检测

    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

  • 金字塔式关注网络用于显著性检测

    该研究利用 RGB 图像估计深度信息，使用金字塔式的注意力机制从中提取多层级卷积变换的特征，综合使用残差卷积注意力解码器进行显著性预测，取得了比 21 种 RGB SOD 方法和 40 种 RGB-D SOD 方法更为优异的性能表现。

    Apr, 2022

  • 深度敏感关注和自动多模态融合的 RGB-D 显著性检测

    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

  • 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

  • 深度对醒目目标检测真正必需吗？

    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