面向高效RGB-D显著性目标检测的景深质量启发式特征操控

RGB-D显著性目标检测（SOD）近来因借助额外的深度信息而受益于传统RGB SOD，吸引了日益增长的研究兴趣。然而，现有RGB-D SOD模型往往在效率与精度上难以兼得，阻碍了它们在移动设备与实际问题中的潜在应用。一个根本挑战在于，当模型被简化以拥有较少参数时，其精度通常会下降。为应对这一困境，并受景深质量是影响精度的关键因素这一事实启发，我们提出了一种新颖的景深质量启发式特征操控（DQFM）过程，其本身高效，并可作为门控机制过滤深度特征以大幅提升精度。DQFM借助低层RGB与深度特征的对齐，以及深度流的全局注意力，来显式控制并增强跨模态融合。我们将DQFM嵌入得到一个名为DFM-Net的高效轻量模型，其中还设计了定制深度骨干网络与两阶段解码器以进一步考虑效率。大量实验结果表明，与现有非高效模型相比，我们的DFM-Net取得了最先进的精度，同时在CPU上以140ms运行（比先前最快的高效模型快2.2$\times$），模型大小仅约8.5Mb（为先前最轻模型的14.9%）。我们的代码将发布于https://github.com/zwbx/DFM-Net。