采用跳层卷积神经网络的RGB-D图像显著性检测

• 作者: 陈曦涛 訾玲玲 张雪曼
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 显著性检测 卷积神经网络 跳层结构 深度学习 RGB-D
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 图形图像处理|Graphics and Image Processing
• 页码范围: 252-258
• 页数: 7页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.2008-0441

摘要

RGB-D图像显著性检测旨在提取三维图像中的显著目标.为解决当前显著性检测算法难以检测出光线干扰场景内的目标和低对比度的目标等问题,提出了基于跳层卷积神经网络的RGB-D图像显著性检测方法.利用VGG网络分离出RGB图像和深度图像的浅层与深层特征,而后进行特征提取;以跳层结构为基础连接提取到的特征,实现融合深度、颜色、高级语义和细节信息的目标,同时生成侧输出;将侧输出进行融合,得到最佳的显著性检测图.实验结果表明,相比于深度监督显著性检测和渐进式互补感知融合显著性检测方法,在F值指标上分别提高了0.0953和0.0606,在平均绝对误差指标上降低了0.0267和0.0581.