基于深度融合的RGBD显著目标检测

为了设计适用于RGBD显著性检测的不同低层次显著性线索，已经做出了许多努力，例如颜色或深度对比特征、背景和颜色紧凑性先验。然而，这些显著性线索之间如何相互作用以及如何有效地整合这些低层次显著性线索以生成主显著图仍然是一个具有挑战性的问题。在本文中，我们设计了一种新的卷积神经网络（CNN），用于将不同的低层次显著性线索融合为分层特征，从而自动检测RGBD图像中的显著物体。与现有方法直接将原始图像像素输入CNN不同，所提出的方法利用了传统显著性检测中的知识，通过采用各种有意义且精心设计的显著性特征向量作为输入来指导CNN的训练。这可以减少学习的不确定性，从而更有效地检测显著物体。随后，我们将拉普拉斯传播框架与训练好的CNN相结合，利用输入图像的内在结构提取空间上一致的显著图。在三个数据集上的大量定量和定性实验评估表明，所提出的方法始终优于现有的最先进方法。