用于 RGB-D 显著性目标检测的级联图神经网络
计算机视觉与模式识别
2020-08-10 v1
摘要
在本文中，我们研究利用颜色和深度信息对 RGB-D 图像进行显著性目标检测（SOD）的问题。从 RGB-D 图像执行显著性目标检测的一个主要技术挑战是如何充分利用这两个互补的数据源。当前工作要么简单地从相应深度图中提取先验知识以处理 RGB 图像，要么盲目融合颜色和几何信息以生成粗粒度的深度感知表示，阻碍了 RGB-D 显著性检测器的性能。在这项工作中，我们引入级联图神经网络（Cas-Gnn），一个统一的框架，能够通过一组级联图全面提取并推理这两个数据源之间的相互益处，以学习用于 RGB-D 显著性目标检测的强大表示。Cas-Gnn 分别处理两个数据源，并采用一种新颖的级联图推理（CGR）模块来学习强大的稠密特征嵌入，从中可轻松推断出显著性图。与先前方法相比，对互补数据源之间高层关系的显式建模与推理使我们能够更好地克服遮挡和歧义等挑战。大量实验表明，在多个广泛使用的基准上，Cas-Gnn 取得了比所有现有 RGB-D SOD 方法显著更好的性能。
引用
@article{arxiv.2008.03087,
title = {Cascade Graph Neural Networks for RGB-D Salient Object Detection},
author = {Ao Luo and Xin Li and Fan Yang and Zhicheng Jiao and Hong Cheng and Siwei Lyu},
journal= {arXiv preprint arXiv:2008.03087},
year = {2020}
}