基于深度融合的 RGBD 显著目标检测
计算机视觉与模式识别
2017-04-26 v1
摘要
已有大量工作致力于为 RGBD 显著性检测设计不同的低层显著性线索，例如颜色或深度对比特征、背景与颜色紧致性先验。然而，这些显著性线索如何相互作用以及如何有效地融合这些低层显著性线索以生成主显著性图，仍是一个具有挑战性的问题。在本文中，我们设计了一种新的卷积神经网络 (CNN)，将不同的低层显著性线索融合为层次化特征，以自动检测 RGBD 图像中的显著目标。与直接将原始图像像素输入 CNN 的现有工作不同，所提出的方法通过采用各种有意义且精心设计的显著性特征向量作为输入，利用了传统显著性检测中的知识。由于减少了学习歧义性，这能够引导 CNN 的训练更有效地检测显著目标。随后，我们将 Laplacian 传播框架与学习到的 CNN 相结合，通过利用输入图像的内在结构提取空间一致的显著性图。在三个数据集上的大量定量与定性实验评估表明，所提出的方法一致地优于 state-of-the-art 方法。
引用
@article{arxiv.1607.03333,
title = {RGBD Salient Object Detection via Deep Fusion},
author = {Liangqiong Qu and Shengfeng He and Jiawei Zhang and Jiandong Tian and Yandong Tang and Qingxiong Yang},
journal= {arXiv preprint arXiv:1607.03333},
year = {2017}
}
备注
This paper has been submitted to IEEE Transactions on Image Processing