May, 2024

V-D-T 显著目标检测的质量感知选择融合网络

PDF
TL;DR提出了一个质量感知的选择性融合网络 (QSF-Net)，该网络包含三个子网络，分别是初始特征提取子网络、质量感知区域选择子网络和区域引导的选择性融合子网络。在 VDT (Visual Data Thematic) 显著对象检测任务中，通过使用深度图像和热图像的空间几何信息和表面温度信息，结合 RGB 图像，实现了对低质量深度和热图像的显著对象检测。
depth imagesthermal imagessalient object detectionquality-aware selective fusion networkvdt salient object detection
发现论文，激发创造
  • 深度质量感知显著目标检测

    本文提出了一种新颖的基于深度质量感知的子网络的 RGB-D 合并方法，旨在评估 RGB-D 合并之前的深度质量，以实现在 RGB-D 合并中较好的互补状态。

    Aug, 2020

  • CSDNet: 通过轻量级交叉浅层和深度感知网络检测深度热点

    通过轻量级的 CSDNet 网络，实现了对多模态数据的优化处理与集成，以提高机器感知能力，并在深度 - 热力学（D-T）模态中超过了采用 RGB-T 或 RGB-D 模态的其它方法，与 RGB-D-T 三模态方法相比在运行时间上快 5.97 倍，需要 0.0036 倍的 FLOPs。

    Mar, 2024

  • 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

  • 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

  • 跨模态调制与选择的 RGB-D 显著性目标检测

    本文提出了一个名为 cmMS block 的模块，结合了 cross-modality feature modulation、adaptive feature selection 和 saliency-guided position-edge attention，可以逐步整合和完善 RGB-D 显著性检测中的交叉模态补充关系，有效提高了精度表现。

    Jul, 2020

  • 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

  • ViDSOD-100: 一个新的 RGB-D 视频显著物体检测数据集和基线模型

    通过收集新的注释 RGBD 视频 SOD（ViDSOD-100）数据集和提出了一种名为 ATF-Net 的新基线模型，本研究在 RGBD 视频显着目标检测方面取得了更好的性能。

    Jun, 2024

  • 基于深度品质启发的特征操作，用于高效的 RGB-D 显著性对象检测

    本文提出了一种基于深度图像质量的特征处理方法（DQFM）和一种高效的轻量级模型（DFM-Net），用于 RGB-D 显着目标检测，通过跨模态融合来增强深度质量，并在非常高效的情况下实现了最先进的精度和性能。

    Jul, 2021

  • 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