摘要
RGB-T（红-绿-蓝与热成像）场景解析近年来受到广泛关注。尽管现有方法在RGB-T场景解析任务中已展现出较高的效率，但其性能仍受限于感受野较小的问题。与通过融合多尺度特征或引入注意力机制来捕捉全局上下文的方法不同，本文提出一种图增强分支网络（Graph-Enhancement Branch Network, GEBNet），该网络利用分支中获取的长程依赖关系，对解码器生成的粗粒度语义图进行精细化优化。嵌入在图增强分支中的语义模块与细节模块，有效融合了高层语义特征与低层细节特征。此外，受图神经网络在捕捉全局上下文方面能力的启发，我们在网络分支中引入了一种新颖的图增强模块，从而同时从高层语义信息与低层细节中提取全局信息。在MFNet和PST900数据集上的大量实验结果表明，所提出的GEBNet具有优异的性能，且其核心组件对场景解析效果的提升起到了显著贡献。