Kaskaden-Graphen-neuronale Netzwerke für die RGB-D auffällige Objekterkennung

In diesem Artikel untersuchen wir das Problem der auffälligen Objektdetektion (SOD) für RGB-D-Bilder unter Nutzung sowohl von Farb- als auch von Tiefeninformation. Eine zentrale technische Herausforderung bei der Durchführung der auffälligen Objektdetektion aus RGB-D-Bildern besteht darin, die beiden komplementären Datensätze optimal zu nutzen. Aktuelle Ansätze entweder lediglich vorherige Kenntnisse aus der entsprechenden Tiefenkarte zur Bearbeitung des RGB-Bildes ableiten oder Farb- und geometrische Informationen blind fusionieren, um grobe tiefenbewusste Darstellungen zu erzeugen, was die Leistungsfähigkeit von RGB-D-Saliency-Detektoren einschränkt. In dieser Arbeit stellen wir Cascade Graph Neural Networks (Cas-Gnn) vor, einen einheitlichen Rahmen, der in der Lage ist, durch eine Reihe von Kaskaden-Graphen die gegenseitigen Vorteile beider Datenquellen umfassend zu extrahieren und zu verarbeiten, um leistungsstarke Darstellungen für die auffällige Objektdetektion in RGB-D-Bildern zu lernen. Cas-Gnn verarbeitet die beiden Datenquellen getrennt und nutzt ein neuartiges Cascade Graph Reasoning (CGR)-Modul, um leistungsstarke dichte Merkmalsdarstellungen zu erlernen, aus denen die Saliency-Karte leicht abgeleitet werden kann. Im Gegensatz zu früheren Ansätzen ermöglicht die explizite Modellierung und Verarbeitung hochwertiger Beziehungen zwischen den komplementären Datenquellen eine bessere Bewältigung von Herausforderungen wie Verdeckungen und Mehrdeutigkeiten. Umfangreiche Experimente zeigen, dass Cas-Gnn im Vergleich zu allen bestehenden RGB-D-SOD-Ansätzen auf mehreren etablierten Benchmarks deutlich bessere Ergebnisse erzielt.