JL-DCF：面向RGB-D显著目标检测的联合学习与密集协作融合框架
计算机视觉与模式识别
2020-04-21 v1
摘要
本文提出了一种新颖的联合学习与密集协作融合（JL-DCF）架构，用于RGB-D显著目标检测。现有模型通常将RGB和深度视为独立信息，并为每种信息设计独立的网络进行特征提取。此类方案容易受到训练数据量有限或对精心设计的训练过程过度依赖的限制。相比之下，我们的JL-DCF通过一个孪生网络同时从RGB和深度输入中学习。为此，我们提出了两个有效组件：联合学习（JL）和密集协作融合（DCF）。JL模块提供鲁棒的显著性特征学习，而后者则用于发现互补特征。在四个流行指标上的综合实验表明，所设计的框架产生了一个具有良好泛化能力的鲁棒RGB-D显著性检测器。结果，JL-DCF在六个具有挑战性的数据集上，平均以约1.9%（S-measure）的显著优势超越了排名第一的D3Net模型，表明所提出的框架为实际应用提供了一种潜在的解决方案，并能为跨模态互补性任务提供更多见解。代码将发布于https://github.com/kerenfu/JLDCF/。
引用
@article{arxiv.2004.08515,
title = {JL-DCF: Joint Learning and Densely-Cooperative Fusion Framework for RGB-D Salient Object Detection},
author = {Keren Fu and Deng-Ping Fan and Ge-Peng Ji and Qijun Zhao},
journal= {arXiv preprint arXiv:2004.08515},
year = {2020}
}