经过10余年的发展,显著性目标检测任务已经衍生出包括面向RGB图像的显著性目标检测[8,9]、面向高分辨率RGB图像的显著性目标检测[10]、面向RGB-D图像的显著性目标检测[11]、面向图像组的协同显著性目标[12]、面向RGB-T图像的显著性目标检测[13]、面向光场图像的显著性目标检测[14,15]、面向全景图像的显著性目标检...
专利摘要显示，本发明公开了一种基于提示学习的RGB‑D协同显著性目标检测方法，涉及深度学习技术领域。包括：训练步骤：获取训练集；构建协同显著性目标检测网络；对训练集中的每张原始自然场景图像和对应的深度图像进行数据增强，将数据增强后的原始自然场景图像和对应的深度图像作为原始输入图像输入到卷积神经网络中进行训...
显著性目标提取,即模拟人类的视觉感知来定位一个场景中最突出的目标,在各种各样的计算机视觉任务中,得到了广泛的应用。现在随着深度相机的出现,场景的深度图也就变得很容易获得了;这个深度图可以提高显著性目标检测的性能。虽然大量的基于RGB-D图像的显著性目标的检测模型不断的出现,但是对这些模型更进一步的理解以及所...
金融界2024年10月21日消息，国家知识产权局信息显示，安徽巨一科技股份有限公司申请一项名为“一种基于特征增强的RGB-D显著性目标检测方法”的专利，公开号CN 118762195 A，申请日期为2024年6月。专利摘要显示，本发明公开了一种基于特征增强的RGB‑D显著性目标检测方法，包括：获取RGB图像数据和D图像数据，并对RGB...
为了在RGB-D显著性目标检测中使用HAIM,我们将HAIM嵌入到一个多特征尺度的编码推理架构中,并提出了一个简单而有效的分层交替交互网络(HAINet)。作为一种基于特征融合的方法,HAINet的工作分为三个顺序阶段:特征编码、跨模态交替交互和显著性推理。特征编码负责提取RGB和深度特征,使用双流骨干。顾名思义,跨模态交替交互...
Journal of Software 中文摘要 受人类的视觉注意力机制启发, 显著性目标检测任务旨在定位给定场景中最吸引人注意的目标或区域. 近年来, 随着深度相机的发展和普及, 深度图像已经被成功应用于各类计算机视觉任务, 这也为显著性目标检测技术提供了新思...
现有的RGB-D显著性目标检测(SOD)模型通常将RGB和深度作为独立的信息,设计单独的网络对其进行特征提取。这种方案很容易受到有限的训练数据量的限制,或者过度依赖精心设计的训练过程。在观察到RGB和depth模式在区分显著的目标时实际上呈现某些共性后,一种新的联合学习和密集合作融合(JL-DCF)架构被设计,用于通过共享的网络...
基于跨模态融合的RGB-D显著目标检测算法研究.pdf,摘要摘要 显著目标检测 (Salient Object Detection, SOD )旨在定位和选择给定图像中视 觉上最吸引人的区域,是计算机视觉领域的热点话题,具备较高的研究价值和广大 的应用场景。深度模态包含的3D 布局和空间结构信息,
本发明公开了一种RGB‑D显著性目标检测方法、设备及存储介质,属于计算机视觉和图像处理领域。该方法包括:获取RGB‑D数据集,根据RGB‑D数据集获取训练集;分别建立RGB图像的特征编码器和深度图的特征编码器;将特征编码过程分为三个阶段,分别在三个阶段进行相应的跨模态特征双向交互;构建基于跨模态特征聚合模块的...
1.一种RGB-D图像显著性目标检测方法,其特征在于,包括如下步骤: 步骤1、将RGB图像和深度图像分别输入VGG主干网络提取多个层级自顶向下的RGB特征和深度特征; 步骤2、将每个层级得到的RGB特征和深度特征分别送入跟每个层级相对应的跨模态调制与选择单元得到每个层级的显著性图,并以第1层级输出的显著性图作为网络的最终...