RGB-D Salient Object Detection:综述论文笔记

最新推荐文章于 2024-01-13 23:47:59 发布

☞北海北☜

最新推荐文章于 2024-01-13 23:47:59 发布

阅读量2.4k

点赞数 4

本文链接：https://blog.csdn.net/qq_43960994/article/details/108964241

版权

该文综述了RGB-D Salient Object Detection的发展，强调了深度图在复杂背景和光照条件下提升检测效果的作用。近年来，基于深度学习的模型通过融合RGB图像和深度信息，学习高层特征，提高了SOD性能。文章讨论了早期融合、多尺度融合和晚期融合等融合策略，并指出关注深度图质量、不完善深度图处理、注意力机制、对抗训练、无监督学习和模型应用等方面的研究挑战和发展方向。

摘要由CSDN通过智能技术生成

RGB-D Salient Object Detection:综述论文笔记

显著性目标检测致力于给定区域内最重要的视觉性目标。SOD在真实世界的应用范围内起着关键性的作用，例如立体匹配、图像理解、显著性检测、行为感知、视频探测和分割、语义分割、视频图像分割、目标追踪、行人检测、伪装目标检测等等。尽管在过去的几十年里SOD领域已经有了很大的进展，在各种挑战因素下还有着提升的空间，例如在场景中有着复杂的背景或者不同的灯光条件。一个解决这些困难的办法是使用深度图，提供RGB图像的补充信息并且由于深度传感器的巨大实用性使得特征已经变得更容易捕捉。
在这里插入图片描述

最近，基于RGB-D的SOD得到了广泛的关注并且各种各样的模型得到了发展。早期基于RGB-D的SOD模型倾向于提取手工特征然后混合RGB图像和深度图。第一个致力于RGB-D的SOD模型使用了高斯混合模型模拟出诱导性深度显著特征的分布规律。Ciptadi提取出3D分布和形状特征从深度测量值中。此外几个方法在不同的区域使用不同的深度测量出了深度的差异性。尽管使用传统模型提取手工特征有一定的效益但是仍然受制于低水平特征的泛化能力和在复杂场景中对高水平推论的需求。为了解决这些限制，基于RGB-D的SOD深度学习模型得到了发展，展示了显著的提高表现。
在过去的几十年里，许多基于手工特征的RGB-D模型已经得到了发展，但是手工特征的表达能力有限，从而导致传统的模型在显著性目标检测任务的表现不是很好，为了解决这个问题，一些研究已经转向深度神经网络在RGB-D数据上的应用。这些模型可以学习更高层次的特征，从而探索复杂的RGB图像和深度信息，来提高SOD的性能。