هل العمق ضروريًا حقًا للكشف عن الكائنات البارزة؟

كشف الكائن المميز (SOD) هو مهمة أساسية ومبكرة لعدة تطبيقات الرؤية الحاسوبية، وقد تقدمت هذه المهمة بفضل الشبكات العصبية العميقة (CNN). تعتمد معظم الطرق الحالية بشكل رئيسي على معلومات RGB لتمييز الكائنات المميزة، لكنها تواجه صعوبات في بعض السيناريوهات المعقدة. ولحل هذه المشكلة، تم اقتراح العديد من الشبكات الحديثة القائمة على RGBD، والتي تستخدم خريطة العمق كمدخل مستقل وتفتّح ميزات العمق مع معلومات RGB. وباستغلال مزايا الطرق القائمة على RGB وRGBD، نقترح إطارًا جديدًا لكشف الكائن المميز يعتمد على العمق، يتميز بالتصميمات التالية: 1) يستخدم فقط معلومات العمق كبيانات تدريب، بينما يعتمد فقط على معلومات RGB خلال مرحلة الاختبار. 2) يُحسّن بشكل شامل ميزات كشف الكائن المميز من خلال تنظيمات متعددة المستويات تعتمد على العمق. 3) تُستخدم معلومات العمق أيضًا كخريطة معوّضة بالأخطاء لتصحيح عملية التجزئة. وبدمج هذه التصاميم الذكية، نقوم لأول مرة بتحقيق إطار موحد يعتمد على العمق مع استخدام معلومات RGB فقط كمدخل أثناء الاستنتاج، مما يتجاوز أداء أفضل النماذج الحالية على خمسة معايير عامة للكشف عن الكائن المميز باستخدام RGB، كما يتفوق على الطرق القائمة على RGBD بفارق كبير على نفس الخمسة معايير، مع استخدام معلومات أقل وبنية مُنفّذة خفيفة الوزن. سيتم إتاحة الكود والنموذج بشكل عام.