基于协同学习的精确 RGB-D 显著目标检测
计算机视觉与模式识别
2020-07-24 v1
摘要
得益于深度图像中嵌入的空间线索，近期 RGB-D 显著性检测在一些挑战性场景中展现出令人印象深刻的能力。然而仍存在两点局限：一方面，全卷积网络(FCN)中的池化与上采样操作可能导致目标边界模糊；另一方面，使用额外的深度网络提取深度特征可能带来较高的计算与存储开销。测试阶段对深度输入的依赖也限制了当前 RGB-D 模型的实际应用。本文提出一种新颖的协同学习框架，以更高效的方式利用边缘、深度与显著性，巧妙解决了上述问题。显式提取的边缘信息与显著性相结合，更加关注显著区域与目标边界。深度与显著性学习以互利方式创新性地融入高层特征学习过程，该策略使网络在推理时无需额外的深度网络与深度输入。由此，我们的模型更轻量、更快且更具通用性。在七个基准数据集上的实验结果表明了其优越性能。
引用
@article{arxiv.2007.11782,
title = {Accurate RGB-D Salient Object Detection via Collaborative Learning},
author = {Wei Ji and Jingjing Li and Miao Zhang and Yongri Piao and Huchuan Lu},
journal= {arXiv preprint arXiv:2007.11782},
year = {2020}
}
备注
accepted by ECCV 2020 as a poster