DUT-LFSaliency：通用数据集与光场到RGB的显著性检测
计算机视觉与模式识别
2021-01-01 v1
摘要
光场数据展现出有利于显著性检测的特性。基于学习的光场显著性检测的成功，在很大程度上取决于如何构建全面的数据集以提升模型的泛化能力、如何有效利用高维光场数据，以及如何设计灵活的模型以兼顾台式计算机与移动设备的通用性。为回答这些问题，我们首先引入一个大规模数据集，支持RGB、RGB-D与光场显著性检测的多种应用，包含102个类别与4204个样本。其次，我们提出一个由聚焦流与RGB流组成的非对称双流模型。聚焦流旨在台式机上实现更高性能，并借助两个定制模块将聚焦度知识迁移至RGB流。RGB流通过三种蒸馏方案，保障在移动设备上的灵活性与内存/计算效率。实验表明，我们的聚焦流达到了最先进的性能。RGB流在DUTLF-V2上取得Top-2的F-measure，相较性能最优的方法，模型尺寸大幅缩减83%，FPS提升5倍。此外，我们提出的蒸馏方案可应用于RGB显著性模型，在保障灵活性的同时获得显著的性能增益。
引用
@article{arxiv.2012.15124,
title = {DUT-LFSaliency: Versatile Dataset and Light Field-to-RGB Saliency Detection},
author = {Yongri Piao and Zhengkun Rong and Shuang Xu and Miao Zhang and Huchuan Lu},
journal= {arXiv preprint arXiv:2012.15124},
year = {2021}
}
备注
15 pages, 12 figures. If you have any questions, please contact [email protected]