用于 RGB-D 显著目标检测的数据级重组与轻量融合方案
计算机视觉与模式识别
2020-12-30 v1 机器学习
机器学习
摘要
现有 RGB-D 显著目标检测方法将深度信息视为补充其 RGB 部分的独立分量，并广泛遵循双流并行网络架构。为了将分别从 RGB 和深度提取的 CNN 特征选择性融合为最终结果，最先进的（SOTA）双流网络通常由两个独立子分支组成；即一个子分支用于 RGB 显著性，另一个旨在实现深度显著性。然而，其深度显著性持续劣于 RGB 显著性，因为 RGB 分量本质上比深度分量信息更丰富。双流架构易使其后续融合过程偏向 RGB 子分支，导致性能瓶颈。本文中，我们提出一种新颖的数据级重组策略，在深度特征提取之前将 RGB 与 D（深度）融合，其中我们将原始 4 维 RGB-D 循环转换为 \textbf{D}GB、R\textbf{D}B 和 RG\textbf{D}。然后，一个新近轻量设计的三流网络应用于这些新构造的数据，以实现 RGB 与 D 之间最优的通道级互补融合状态，取得了新的 SOTA 性能。
引用
@article{arxiv.2009.05102,
title = {Data-Level Recombination and Lightweight Fusion Scheme for RGB-D Salient Object Detection},
author = {Xuehao Wang and Shuai Li and Chenglizhao Chen and Yuming Fang and Aimin Hao and Hong Qin},
journal= {arXiv preprint arXiv:2009.05102},
year = {2020}
}