用于 RGB-D 显著目标检测的渐进引导交替精炼网络
计算机视觉与模式识别
2020-08-18 v1
摘要
本文旨在开发一种高效紧凑的深度网络用于 RGB-D 显著目标检测，其中深度图像提供互补信息以在复杂场景中提升性能。从多尺度残差块得到的粗糙初始预测出发，我们提出一种渐进引导交替精炼网络对其进行精炼。不同于使用 ImageNet 预训练骨干网络，我们首先从零开始构建轻量深度流，能以更少冗余更高效提取互补特征。然后，不同于现有基于融合的方法，RGB 与深度特征被交替送入所提出的引导残差（GR）块以减少其相互退化。通过在每个侧输出中堆叠的 GR 块内赋予渐进引导，误检与缺失部分可得到良好补救。在七个基准数据集上的大量实验表明，我们的模型大幅优于现有 SOTA 方法，并且在效率（71 FPS）与模型大小（64.9 MB）上也展现优势。
关键词
引用
@article{arxiv.2008.07064,
title = {Progressively Guided Alternate Refinement Network for RGB-D Salient Object Detection},
author = {Shuhan Chen and Yun Fu},
journal= {arXiv preprint arXiv:2008.07064},
year = {2020}
}
备注
ECCV 2020