基于特征增强的 RGB-D 显著性目标检测

来源：计算机技术与发展杂志2023年第11期北京时间：

作者：刘译善;孙涵

单位：南京航空航天大学 计算机科学与技术学院 / 人工智能学院 / 软件学院,江苏 南京 211100 Author(s): LIU Yi-shan;SUN Han School of Computer Science and Technology,School of Artificial Intelligence,School of Software,NUAA,Nanjing 211100,China 关键词: 显著性目标检测;深度学习;边界特征增强;特征融合增强;多模态 Keywords: salient object detection;deep learning;boundary feature enhancement;feature fusion enhancement;multi-modal 分类号: TP391 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 11. 005 摘要: 显著性目标检测方法中,深度( Depth) 信息的引入能弥补 RGB 图像缺失的空间信息,有助于从复杂的背景中检测显著目标,提升检测精度。 但如何有效融合跨模态特征、获取清晰的边界是值得研究的问题。 该文设计了一个基于特征增强的 RGB-D 显著性目标检测网络 FENet( Feature Enhancement Network) ,首先由特征融合增强模块( Feature Fusion Enhancement Model,FFEM),通过交叉融合和混合空间 / 通道注意力充分利用跨模态特征的相关性和互补性提取高级语义信息,然后通过边界特征增强模块( Boundary Feature Enhancement Model,BFEM) 对浅层细节信息进行补充,并引入门控避免低质量底层信息的干扰,最后通过混合增强损失函数来完成模型对显著区域和边界的学习。 FENet 模型在五个公开数据集上和当前较为先进的模型相比,有效提升了检测性能,尤其在显著物体的边缘细化和完整性检测上。

摘要：显著性目标检测方法中,深度( Depth) 信息的引入能弥补 RGB 图像缺失的空间信息,有助于从复杂的背景中检测显著目标,提升检测精度。 但如何有效融合跨模态特征、获取清晰的边界是值得研究的问题。 该文设计了一个基于特征增强的 RGB-D 显著性目标检测网络 FENet( Feature Enhancement Network) ,首先由特征融合增强模块( Feature Fusion Enhancement Model,FFEM),通过交叉融合和混合空间 / 通道注意力充分利用跨模态特征的相关性和互补性提取高级语义信息,然后通过边界特征增强模块( Boundary Feature Enhancement Model,BFEM) 对浅层细节信息进行补充,并引入门控避免低质量底层信息的干扰,最后通过混合增强损失函数来完成模型对显著区域和边界的学习。 FENet 模型在五个公开数据集上和当前较为先进的模型相比,有效提升了检测性能,尤其在显著物体的边缘细化和完整性检测上。

关键词：显著性目标检测;深度学习;边界特征增强;特征融合增强;多模态