CVPR 2019之RGBD显著性检测：Contrast Prior and Fluid Pyramid Integration for RGBD Salient Object Detection

本文是基于对比度先验和流体金字塔积分法的RGBD显著性检测。
目前存在的问题：
1，由于RGB和深度信息之间的固有差异，使用ImageNet预先训练的主干模型从深度通道中提取特征并与RGB特征直接融合并不是最优的,
2，缺乏高质量的深度地图。从最先进的传感器捕获的深度地图比RGB图像噪音更大，更没有文本，这对深度特征提取提出了挑战。我们缺乏良好的训练有素的骨干网络，以提取强大的功能，从深度地图，作为一个像ImageNet大规模深度地图数据集是不可用的
3，现有的基于cnns的SOD方法主要处理RGB图像，当图像中的物体与背景材料有相似的外观时，可能会产生不满意的结果。

简述：
在这篇论文中，我们利用对比度先验，它曾经是一个主要的线索，在无深度学习的SOD方法，到基于cnns的架构，都是用以增强深度信息。增强的深度线索与RGB特征进一步整合，使用一种新的流体金字塔整合，可以更好地利用多尺度交叉模态特征。具体来说：
1，对比度先验：与使用ImageNet预训练的backbone net从深度图中提取特征，然后融合RGB和深度信息的现有方法不同，本文使用对比度先验增强深度信息。然后将增强深度图作为注意力图，与RGB 特征融合，获得高质量的SOD结果。在CNNs普及之前，无论是在计算机视觉领域，还是在神经科学领域和认知心理学，先验对比都曾是揭示突出对象的主要线索。通过重新使用对比度先验与对比度增强网络，我们架起了RGB通道与深度通道的显著性先验之间的桥梁。具体地说，我们通过分析显著和非显著区域之间的对比及其一致性，提出了对