RGBD Salient Object Detection via Disentangled Cross-Modal Fusion（2020）阅读学习记录（自用）

**

RGBD Salient Object Detection via Disentangled Cross-Modal Fusion

**
论文链接：https://ieeexplore.ieee.org/abstract/document/9165931

创新：

1.传统的RGBD显著性目标检测的方法侧重于裁剪复杂的跨模态融合拓扑，但过拟合和歧义的情况较多。
2.主要的注意力集中怎么解耦不同的跨模态补充信息，从而简化融合过程以及提高融合的充分性。

相关工作：

1.手工提取特征的方法：通常使用先验知识去捕获特征信息，例如越靠近显著性越强。这些方法通常使用先验的对比框架去预测。对于多模态的融合问题，将其解决方案分为‘特征融合’和‘结果融合’。

2.基于深度学习的方法：双流架构是较为常用的，就是每个模态用单独与的CNN网络去提取特征而后在某些层上进行融合。其中又分为早期融合、晚期融合和多尺度融合。

3.他们的工作都集中于去丰富融合的连接，但不太可能去有效的降低融合的不确定性以及探索两个模态之间是怎么相互补充的问题。作者提出的架构更有利于去剖析跨模态的补充过程。

背景介绍：

1.当前的困难：光照和背景（与显著性目标相似）
2.利用先验知识构建各种RGBD的描述符号，或者是利用深度神经网络设计更多样的多模态融合模块。
3.手工特征会限制泛化能力，因此使用深度卷积网络去提取特征，早期融合、晚期融合、多尺度融合。
4.融合路径多样化，将中间层和深层跨模态特征分开融合 。
5.设计了一种渐进式的融合路径，在每个层次中涉及到跨模态的组合。
6.增加一条自下而上的路径，与自上而下的路径共同作用，补充组合通道。
7.最近的CPFP模型通过密集连接所有跨模态跨层级特征，进一步丰富了融合拓扑结构。
8.尽管跨模态的融合模式取得了成功，但是跨模态的融合过程仍然是黑盒，两个模态如何对任务做出不同的贡献，在什么场景中，什么样的信息是互补的，这些关键问题很少受到关注。
9.当显著性物体与背景环境相似时（学习到的上下文信息可能是无法加以区分的），需要借助上下文信息去进行定位。然而当所有特征都不加以区分的时候，融合模块不值哪些通道是上下文或者内容线索，因此在进行搜索和选择所需要的补充信息是极为繁琐和困难的。
10.为此，我们设计了一个跨模态去纠缠框架来显式地解耦每个模态的表示。在相同的场景中，不同的传感器往往会捕获一些相同的场景结构、目标布局和关系，本文中将其称为结构语境（不可知性更强）。图像的外观、噪音、亮度等我们将其称之为内容空间（更加具体）。上下文空间旨在捕获结构上下文(包括场景布局和对象结构)，其中相当数量的上下文在RGB - depth对中是常见的，而内容空间则是提取模态特定的内容(例如颜色和亮度)。
11.这种跨模态的交换和重构损失迫使结构语境不携带特定模态的暗示，一个可能的困难就是优化器可能会同时驱动两个不同结构的编码器（结构编码器、内容编码器）但是不学习任何有用的特征用于分享。解决方法：添加一个显著性预测损失来强制每个结构编码器从每个模态中学习具有判别性的特征。

提出的方法（模型、架构）：

1.总体架构：从两个模态中分离出相对模态无关的结构表示和模态特有的内容，使得多模态融合能够自适应的包含所需要的特征。

2.所提取到的四个特征进行组合配对，并利用生成器重构原始输入，并与原始图像做Loss，如下是损失函数。对于感知损失，我们只测量重建图像和原始图像之间的高层( Conv4 _ 3和Conv5 _ 3层)特征相似性。其中ψ i表示从VGG16网络的第i层提取的特征。λi R和λ i D是不同层的权重，在我们的实现中它们被等同地设置为1。为了 重建原始的输入，这个生成器应具备结构表示和具体的内容信息。通过交换从编码的特征，交叉重构损失将迫使切换表示是模态无关的，从而表达结构上下文。**然而跨模态重建目标的另一个可能的解决方案是，**两个结构上下文编码器都只学习无用的噪声线索，而模态特异性（内容）编码器则携带所有的结构上下文和详细内容。

为了避免出现上述的错误 1）除了让上下文特征参与重构之外，同时强制它们同时预测显著性目标。 2）定制每个编码器的架构。具体来说，我们使用一个深度CNN (即VGG16 或resnet 50模型)作为结构上下文编码器的主干来提取高层表示。而对于模态特异性内容编码器，我们设计了一个浅层CNN，期望只提取低层模态特异性特征，而难以学习高层表示。这两种策略与跨模态重建损失一起工作，以解开每个模态的表示。

本文架构优点（分离的跨模态结构-结构编码器、内容编码器）：

1.由于清晰的认识到了每个结构的贡献，这种分离使得多模态融合阶段能够很容易的纳入所需要的补充信息进行共同的推理。

2.这为剖析多模态融合过程提供了可能，就能更加明了每个模态如何贡献和进行补充。第一个回答RGBD模态之间如何互补

3.在多模态系统预算有限的情况下，所提出的跨模态分离框架提供了测量和分析跨模态互补性并进行传感器优化组合的潜力。

结论：

1.我们将RGBD SOD的注意力从设计复杂的跨模态融合连接转移到降低融合不确定性上。

2.第一个回答模态之间如何进行互补。

3.去纠缠框架还允许更好的跨模态选择适应性和融合充分性。