DMGNet:用于RGB-D突出物体检测的深度面罩指导网络
1School of Electrical Engineering, Yanshan University, Qinhuangdao, Hebei 066004, China; Key Laboratory of Intelligent Rehabilitation and Neromodulation of Hebei Province, Yanshan University, Qinhuangdao, Hebei 066004, China; Key Laboratory of Industrial Computer Control Engineering of Hebei Province, Yanshan University, Qinhuangdao, Hebei 066004, China.
概括
这项研究引入了一种新的深度面具指导网络 (DMGNet),以改善使用RGB和深度图像的突出物体检测 (SOD). DMGNet有效地利用深度信息,通过防止噪音特征来提高SOD性能.
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:
- 深度图像为突出物体检测 (SOD) 提供空间线索.
- 不适当使用深度特征可以通过引入噪声来降低SOD性能.
- 现有的方法很难有效地整合SOD的RGB和深度数据.
研究的目的:
- 提出一个新的网络,深度面具指导网络 (DMGNet),用于强大的RGB-D突出物体检测.
- 通过指导RGB子网络使用深度衍生面具来增强区分特征的提取.
- 改进跨模式特征的融合,以实现更准确的突出物体检测.
主要方法:
- 深度面具指导模块 (DMGM) 从深度图像中预先分割突出物体,以生成指导面具.
- 一个具有多分支卷积通道的特征融合金字塔模块 (FFPM) 融合了跨模式特征.
- 拟议的DMGNet整合了基于深度的指导和RGB-D SOD的增强功能融合.
主要成果:
- DMGNet有效地利用深度信息,克服噪音或误导深度特征的局限性.
- DMGM成功指导RGB子网络,导致更具歧视性的特征提取.
- FFPM增强了RGB和深度特征的融合,提高了SOD的整体准确性.
- 在九个基准数据集上进行了广泛的实验,验证了拟议网络的有效性.
结论:
- 拟议的DMGNet在RGB-D场景中显著提高了突出物体检测性能.
- 通过面具指导有效利用深度信息对于强大的SOD至关重要.
- 网络架构为高级RGB-D图像分析任务提供了一个有前途的方法.
