全球引导跨模态跨尺度网络用于RGB-D突出物体检测
Shuaihui Wang1, Fengyi Jiang1, Boqian Xu1
1Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130033, China.
Sensors (Basel, Switzerland)
|August 26, 2023
概括
本研究介绍了G2CMCSNet,这是一个用于RGB-D突出物体检测的新型网络. 它通过融合由全球背景指导的跨模式和跨规模特征来改善本地化和细节增强.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- RGB-D突出检测利用深度图进行准确的定位.
- 挑战包括在更深层的稀释全球背景和杂的深度数据.
- 多模式和多规模信息的有效融合至关重要.
研究的目的:
- 提出一个新的网络,G2CMCSNet,用于增强RGB-D突出物体检测.
- 为了解决全球背景的稀释和误导性的深度信息.
- 为了提高突出的物体细节和定位精度.
主要方法:
- 引入了一种全球导向的跨模式和跨规模模块 (G2CMCSM) 用于特征融合.
- 以粗细的方式使用渐进特征改进模块.
- 利用混合损失函数进行多级培训监督.
主要成果:
- G2CMCSNet有效地增强了突出的对象细节和定位.
- 拟议的全球指导机制改善了复杂情景中的表现.
- 对基准数据集的实验结果显示,相对于最先进的方法,其性能优越.
结论:
- G2CMCSNet为RGB-D突出物体检测提供了一个强大的解决方案.
- 全球背景和跨模式/跨规模融合的整合非常有效.
- 该方法在准确识别突出物体方面取得了重大进展.


