深度挖掘深度信息用于目标检测
计算机视觉与模式识别
2016-05-10 v1
摘要
本文致力于解决如何更有效地协调深度与RGB以提升RGB-D目标检测性能的问题。具体而言，我们在CNN模型下研究了两个主要思路：属性推导与属性融合。首先，我们提出深度不仅可作为RGB之外的额外信息，还可用于推导更多视觉属性，从而全面描述感兴趣物体。因此构建了一个由属性推导与融合组成的两阶段学习框架。此处属性可从给定的颜色/深度或其配对（例如本文采用的几何轮廓）中推导。其次，我们探索了特征学习中不同属性的融合方法，该方法在CNN模型下归结为应从哪一层开始将属性融合在一起。分析表明，不同的语义属性应分别学习并在送入最终分类器前进行组合。实际上，此种检测方式与大脑初级神经皮层（V1）的机制相吻合。我们在具有挑战性的数据集上对所提方法进行了实验评估，并取得了最先进的性能。
引用
@article{arxiv.1605.02260,
title = {Deeply Exploit Depth Information for Object Detection},
author = {Saihui Hou and Zilei Wang and Feng Wu},
journal= {arXiv preprint arXiv:1605.02260},
year = {2016}
}
备注
9 pages, 3 figures, and 4 tables. Accepted by CVPR2016 Workshops