SLMSF-Net:用于RGB-D突出的物体检测的语义定位和多尺度融合网络
Yanbin Peng1, Zhinian Zhai1, Mingkun Feng1
1School of Information and Electronic Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, China.
Sensors (Basel, Switzerland)
|February 24, 2024
概括
本研究介绍了SLMSF-Net用于RGB-D突出物体检测,改进了多模式和多尺度的特征融合. 这种新型网络提高了计算机视觉任务中突出物体检测的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 图像处理 图像处理
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 在RGB-D图像中突出物体检测 (SOD) 对计算机视觉至关重要.
- 优化多模式和多尺度特征融合以提高SOD性能是一项挑战.
研究的目的:
- 为 RGB-D SOD 提出一个新的网络模型,SLMSF-Net.
- 改进多模式和多尺度特征的融合,以精确识别突出物体.
主要方法:
- 开发了一个深度注意模块 (DAM),用于合并RGB和深度功能.
- 引入了一个语义定位模块 (SLM),用于精确的对象定位.
- 采用多尺度融合模块 (MSF) 进行详细信息恢复和高精度突出地图生成.
主要成果:
- 在6个RGB-D数据集中,SLMSF-Net表现出更好的性能.
- 在maxF中实现了0.20-1.80%的性能增长,在maxE中达到0.09-1.46%的增长,在S中达到0.19-1.05%的增长,在MAE中达到0.0002-0.0062的增长.
- 它的性能优于AFNet,DCMF和C2DFNet等竞争方法.
结论:
- SLMSF-Net有效地解决了RGB-D突出物体检测方面的挑战.
- 拟议的模块增强了特征融合,定位和细节恢复,用于优越的突出地图生成.
