SPSN : Réseau d'échantillonnage de prototypes de superpixels pour la détection d'objets saillants en RGB-D

La détection d'objets saillants (SOD) dans les images RGB-D a récemment été au centre de l'attention car elle constitue une opération de prétraitement importante pour diverses tâches de vision. Cependant, malgré les progrès réalisés par les méthodes basées sur l'apprentissage profond, la détection d'objets saillants RGB-D reste un défi en raison du grand écart entre le domaine des images RGB et celui des cartes de profondeur, ainsi que de la faible qualité des cartes de profondeur. Pour résoudre ce problème, nous proposons une nouvelle architecture de réseau d'échantillonnage de prototypes de superpixels (SPSN). Le modèle proposé divise l'image RGB d'entrée et la carte de profondeur en superpixels composants afin de générer des prototypes composants. Nous concevons un réseau d'échantillonnage de prototypes afin que le réseau n'échantillonne que les prototypes correspondant aux objets saillants. De plus, nous proposons un module de sélection de confiance pour reconnaître la qualité de chaque carte de caractéristiques RGB et profondeur et les pondérer adaptativement en fonction de leur fiabilité. La méthode proposée rend le modèle robuste face aux incohérences entre les images RGB et les cartes de profondeur, et élimine l'influence des objets non saillants. Notre méthode est évaluée sur cinq jeux de données populaires, atteignant des performances à l'état de l'art. Nous prouvons l'efficacité de la méthode proposée par des expériences comparatives.