基于互补注意力与自适应融合的精确 RGB-D 显著性检测
计算机视觉与模式识别
2021-02-09 v1
摘要
基于 RGB 图像与深度图互补信息的显著性检测近年来广受关注。本文提出互补注意力与自适应融合网络（CAAI-Net），一种新颖的 RGB-D 显著性检测模型，它将基于互补注意力的特征聚焦与自适应跨模态特征融合整合到统一框架中，以实现精确的显著性检测。具体而言，我们提出上下文感知互补注意力（CCA）模块，其由特征交互组件、互补注意力组件和全局上下文组件构成。CCA 模块首先利用特征交互组件提取丰富的局部上下文特征。所得特征随后送入互补注意力组件，该组件利用由相邻层级生成的互补注意力来引导当前层的注意力，从而抑制相互的背景干扰并使网络更聚焦于显著物体区域。最后，我们采用专门设计的自适应特征融合（AFI）模块，其充分考虑深度图质量低下的问题，以自适应方式聚合 RGB 与深度特征。在六个具挑战性的基准数据集上的大量实验表明，CAAI-Net 是一种有效的显著性检测模型，并在四项常用指标上优于九个 SOTA 模型。此外，充分的消融实验证实了所提 CCA 与 AFI 模块的有效性。
引用
@article{arxiv.2102.04046,
title = {Towards Accurate RGB-D Saliency Detection with Complementary Attention and Adaptive Integration},
author = {Hong-Bo Bi and Zi-Qi Liu and Kang Wang and Bo Dong and Geng Chen and Ji-Quan Ma},
journal= {arXiv preprint arXiv:2102.04046},
year = {2021}
}