DPANet：用于 RGB-D 显著性目标检测的景深潜能感知门控注意力网络
计算机视觉与模式识别
2021-09-01 v4
摘要
RGB-D 显著性目标检测存在两个主要问题：（1）如何有效整合跨模态 RGB-D 数据的互补性；（2）如何防止不可靠深度图的污染效应。事实上，这两个问题相互关联且交织，但以往方法往往只关注第一个问题而忽略对深度图质量的考量，这可能使模型陷入次优状态。本文中，我们在一统一模型中协同解决这两个问题，并提出一种名为 DPANet 的新网络，以显式建模深度图的潜能并有效整合跨模态互补性。通过引入深度潜能感知，网络能以基于学习的方式感知深度信息的潜能，并引导双模态数据的融合过程以防止污染发生。融合过程中的门控多模态注意力模块利用带门控器的注意力机制从跨模态视角捕获长程依赖。在 8 个数据集上与 15 种当前最优（state-of-the-art）方法的实验结果表明了所提方法在定量与定性上的有效性。
引用
@article{arxiv.2003.08608,
title = {DPANet: Depth Potentiality-Aware Gated Attention Network for RGB-D Salient Object Detection},
author = {Zuyao Chen and Runmin Cong and Qianqian Xu and Qingming Huang},
journal= {arXiv preprint arXiv:2003.08608},
year = {2021}
}
备注
Accepted by IEEE Transactions on Image Processing 2020