교정된 RGB-D 선명한 객체 탐지

명백한 객체 탐지(Salient Object Detection, SOD)에서 객체와 주변 환경 간의 유사한 외형 및 복잡한 배경은 일반적으로 도전적인 시나리오로 인식된다. 이러한 문제를 해결하기 위해 기존의 RGB 이미지 외에 깊이 정보를 추가 입력으로 활용하는 RGB-D SOD 또는 깊이 인지형 SOD의 접근 방식이 등장하였다. 그러나 이 새로운 연구 분야는 원시 깊이 이미지에서 흔히 발생하는 노이즈와 모호성으로 인해 상당한 제약을 받고 있다. 위의 문제를 해결하기 위해, 본 연구에서는 다음과 같은 두 가지 혁신적인 구성 요소를 포함하는 깊이 보정 및 융합(Depth Calibration and Fusion, DCF) 프레임워크를 제안한다: 1) 원본 깊이 맵에 내재된 잠재적 편향을 보정하여 SOD 성능을 향상시키는 학습 전략; 2) RGB와 깊이 모달리티의 특징을 간단하면서도 효과적으로 융합할 수 있는 크로스 참조 모듈. 광범위한 실험 결과는 제안된 방법이 27개의 최신 SOD 기법들에 비해 우수한 성능을 달성함을 입증한다. 더불어, 제안된 깊이 보정 전략은 기존 최첨단 RGB-D SOD 모델의 전처리 단계로 적용 가능하며, 이 경우에도 두드러진 성능 향상이 관찰된다.