预先获知深度质量：一种面向RGB-D显著性目标检测的深度质量评估方法
计算机视觉与模式识别
2020-08-11 v1 机器学习
摘要
以往的RGB-D显著性目标检测（SOD）方法广泛采用深度学习工具来自动权衡RGB与D（深度）之间的折衷，其关键原理是利用二者的互补特性，旨在获得比单独使用任一模态明显更优的SOD性能。然而，这种全自动融合未必总有助于SOD任务，因为D质量本身常随场景而变化。若事先不考虑D质量，极易导致次优融合结果。此外，作为客观因素，D质量长期被以往工作所忽视，从而成为明显的性能瓶颈。为此，我们提出一种简洁而有效的方案来预先度量D质量，其关键思想是依据高质量D区域的共同属性设计一系列特征。具体而言，我们对每个图像区域进行D质量评估，采用包含低层边缘一致性、中层区域不确定性和高层模型方差的多尺度方法。所有这些分量将独立计算，随后与RGB及D特征组装，作为隐式指示符来引导选择性融合。与最先进的融合方案相比，我们的方法能在RGB与D之间实现更合理的融合状态。具体地，所提出的D质量度量方法总体实现了近2.0%的稳定性能提升。
引用
@article{arxiv.2008.04157,
title = {Knowing Depth Quality In Advance: A Depth Quality Assessment Method For RGB-D Salient Object Detection},
author = {Xuehao Wang and Shuai Li and Chenglizhao Chen and Aimin Hao and Hong Qin},
journal= {arXiv preprint arXiv:2008.04157},
year = {2020}
}