Détection d'objets saillants RGBD par fusion profonde

De nombreux efforts ont été déployés pour concevoir différentes cues de saillance de bas niveau pour la détection de saillance RGBD, telles que les caractéristiques de contraste de couleur ou de profondeur, les a priori de fond et de compacité chromatique. Cependant, la manière dont ces cues de saillance interagissent entre eux et comment intégrer efficacement ces cues de saillance de bas niveau pour générer une carte maîtresse de saillance reste un problème difficile. Dans cet article, nous proposons un nouveau réseau neuronal convolutif (CNN) pour fusionner différents cues de saillance de bas niveau en caractéristiques hiérarchiques afin de détecter automatiquement des objets saillants dans les images RGBD. Contrairement aux travaux existants qui alimentent directement le CNN avec des pixels bruts d'image, notre méthode tire parti des connaissances issues des méthodes traditionnelles de détection de saillance en adoptant divers vecteurs caractéristiques significatifs et bien conçus comme entrée. Cela peut guider l'entraînement du CNN vers une détection plus efficace des objets saillants grâce à une réduction de l'ambiguïté d'apprentissage. Nous intégrons ensuite un cadre de propagation laplacienne au CNN appris pour extraire une carte de saillance spatialement cohérente en exploitant la structure intrinsèque de l'image d'entrée. Des évaluations expérimentales quantitatives et qualitatives approfondies sur trois jeux de données montrent que notre méthode surpasse constamment les méthodes les plus avancées.注释：- "cues" 通常翻译为 "indices" 或 "cues"，在这里选择 "cues" 以保持专业术语的一致性。- "RGBD" 是指红绿蓝深度（Red Green Blue Depth），在法语中直接使用英文缩写。- "Laplacian propagation framework" 翻译为 "cadre de propagation laplacienne"，这是该术语在法语中的常见表达。