用于 RGB-D 显著性目标检测的分叉骨干策略
计算机视觉与模式识别
2024-02-21 v3
摘要
多级特征融合是计算机视觉中的基础课题。它已被用于检测和分割不同尺度的物体并进行分类。当多级特征遇上多模态线索时，最优特征聚合与多模态学习策略成为难题。本文利用 RGB-D 显著性目标检测固有的多模态与多级特性，设计了一种新颖的级联精炼网络。具体而言，首先，我们提出使用分叉骨干策略（BBS）将多级特征重新分组为教师特征与学生特征。其次，我们引入深度增强模块（DEM）从通道和空间视角挖掘有信息的深度线索。随后，RGB 与深度模态以互补方式融合。我们的架构名为分叉骨干策略网络（BBS-Net），简单、高效且骨干无关。大量实验表明，在五种评价指标下，BBS-Net 在八个具有挑战性的数据集上显著优于十八个 SOTA 模型，证明了我们方法的优越性（与排名第一的模型 DMRA-iccv2019 相比，S-measure 提升约 ）。此外，我们对不同 RGB-D 数据集的泛化能力提供了全面分析，并为未来研究提供了一个强大的训练集。
引用
@article{arxiv.2007.02713,
title = {Bifurcated backbone strategy for RGB-D salient object detection},
author = {Yingjie Zhai and Deng-Ping Fan and Jufeng Yang and Ali Borji and Ling Shao and Junwei Han and Liang Wang},
journal= {arXiv preprint arXiv:2007.02713},
year = {2024}
}
备注
A preliminary version of this work has been accepted in ECCV 2020