RGBD 주요 객체 검출을 위한 심층 융합

RGBD 주요성 검출을 위해 다양한 저수준 주요성 신호를 설계하기 위한 많은 노력이 이루어져 왔습니다. 예를 들어, 색상이나 깊이 대비 특징, 배경 및 색상 밀도 사전 지식 등이 있습니다. 그러나 이러한 주요성 신호들이 서로 어떻게 상호작용하며, 이를 효과적으로 통합하여 최종 주요성 맵을 생성하는 방법은 여전히 어려운 문제입니다. 본 논문에서는 자동으로 RGBD 이미지에서 주요 객체를 검출하기 위해 다양한 저수준 주요성 신호를 계층적 특징으로 융합하는 새로운 합성곱 신경망(CNN)을 설계하였습니다. 기존 연구들처럼 원시 이미지 픽셀을 직접 CNN에 입력하는 것과 달리, 제안된 방법은 전통적인 주요성 검출에서 얻은 다양한 의미 있고 잘 설계된 주요성 특징 벡터를 입력으로 사용합니다. 이는 학습의 모호성을 줄여서 CNN의 훈련을 더 효과적으로 주요 객체 검출 방향으로 안내할 수 있습니다. 또한, 입력 이미지의 내재 구조를 활용하여 공간적으로 일관된 주요성 맵을 추출하기 위해 학습된 CNN과 라플라시안 전파 프레임워크를 통합하였습니다. 세 가지 데이터셋에 대한 광범위한 정량적 및 정성적 실험 평가 결과, 제안된 방법이 기존 최신 방법들을 일관되게 능가함을 보여주었습니다.