基于判别性跨模态迁移学习的RGB-D显著性目标检测
计算机视觉与模式识别
2017-06-01 v2
摘要
在这项工作中，我们提出利用卷积神经网络（CNN）通过捕获深度模态的高级代表性特征来提升深度诱导的显著性目标检测性能。我们将深度诱导的显著性检测表述为一个基于 CNN 的跨模态迁移问题，以弥合 CNN 的“数据饥渴”本质与深度模态中缺乏充足标注训练数据之间的鸿沟。在所提方法中，我们通过训练 RGB 显著性检测网络来有效利用来自源模态的辅助数据，从而获得面向目标模态的任务特定预理解层。同时，我们通过预训练一个模态分类网络来利用深度特定信息，该网络在优化过程中鼓励模态特定表示。从而，它可以使 RGB 和深度模态的特征表示尽可能具有判别性。这两个模块被独立预训练，然后拼接以初始化和优化最终的深度诱导显著性检测模型。实验证明了所提新颖预训练策略的有效性，以及所提方法相对于其他最先进方法的显著且一致的改进。
引用
@article{arxiv.1703.00122,
title = {RGB-D Salient Object Detection Based on Discriminative Cross-modal Transfer Learning},
author = {Hao Chen and Y. F. Li and Dan Su},
journal= {arXiv preprint arXiv:1703.00122},
year = {2017}
}
备注
This paper has been rejected by CVPR2017, we plan to withdraw this manuscript for further revision