用于 RGB-D 语义分割的深度自适应 CNN
计算机视觉与模式识别
2022-06-09 v1
摘要
近年来，RGB-D 语义分割因输入侧互补模态的可获取性而激发了研究兴趣。现有工作常采用双流架构并行处理光度与几何信息，少数方法显式利用深度线索的贡献来调整 RGB 图像上的采样位置。本文中，我们提出一种将深度信息融入 RGB 卷积神经网络(CNN)的新框架，称为 Z-ACN（深度自适应 CNN）。具体而言，我们的 Z-ACN 生成完全由低级特征约束的二维深度自适应偏移，以引导 RGB 图像上的特征提取。利用所生成的偏移，我们引入两种直观有效的操作来替代基础 CNN 算子：深度自适应卷积与深度自适应平均池化。在室内与室外语义分割任务上的大量实验证明了我们方法的有效性。
引用
@article{arxiv.2206.03939,
title = {Depth-Adapted CNNs for RGB-D Semantic Segmentation},
author = {Zongwei Wu and Guillaume Allibert and Christophe Stolz and Chao Ma and Cédric Demonceaux},
journal= {arXiv preprint arXiv:2206.03939},
year = {2022}
}