| 小样本条件下的RGB-D显著性物体检测 |
| |
| 引用本文： | 何静,傅可人. 小样本条件下的RGB-D显著性物体检测[J]. 中国图象图形学报, 2022, 27(10): 2860-2872 |
| |
| 作者姓名： | 何静 傅可人 |
| |
| 作者单位： | 四川大学视觉合成图形图像技术国防重点学科实验室, 成都 610065 |
| |
| 基金项目： | 国家自然科学基金项目（62176169，61703077）；四川大学泸州战略合作项目（2020CDLZ-10） |
| |
| 摘 要： | 目的 现有基于RGB-D(RGB-depth)的显著性物体检测方法往往通过全监督方式在一个较小的RGB-D训练集上进行训练,因此其泛化性能受到较大的局限。受小样本学习方法的启发,本文将RGB-D显著性物体检测视为小样本问题,利用模型解空间优化和训练样本扩充两类小样本学习方法,探究并解决小样本条件下的RGB-D显著性物体检测。方法 模型解空间优化通过对RGB和RGB-D显著性物体检测这两种任务进行多任务学习,并采用模型参数共享的方式约束模型的解空间,从而将额外的RGB显著性物体检测任务学习到的知识迁移至RGB-D显著性物体检测任务中。另外,训练样本扩充通过深度估计算法从额外的RGB数据生成相应的深度图,并将RGB图像和所生成的深度图用于RGB-D显著性物体检测任务的训练。结果 在9个数据集上的对比实验表明,引入小样本学习方法能有效提升RGB-D显著性物体检测的性能。此外,对不同小样本学习方法在不同的RGB-D显著性物体检测模型下(包括典型的中期融合模型和后期融合模型)进行了对比研究,并进行相关分析与讨论。结论 本文尝试将小样本学习方法用于RGB-D显著性物体检测,探究并利用两种不同小样本...
|
| 关 键 词： | 多模态检测 RGB-D显著性检测 小样本学习 多任务学习 深度估计 |
| 收稿时间： | 2021-11-24 |
| 修稿时间： | 2022-04-08 |
RGB-D salient object detection of using few-shot learning |
| |
| He Jing,Fu Keren. RGB-D salient object detection of using few-shot learning[J]. Journal of Image and Graphics, 2022, 27(10): 2860-2872 |
| |
| Authors: | He Jing Fu Keren |
| |
| Affiliation: | National Key Laboratory of Fundamental Science on Synthetic Vision, Sichuan University, Chengdu 610065, China |
| |
| Abstract: | |
| |
| Keywords: | multi-modal detection RGB-D saliency detection few-shot learning multi-task learning depth estimation |
|
| 点击此处可从《中国图象图形学报》浏览原始摘要信息 |
|
点击此处可从《中国图象图形学报》下载免费的PDF全文 |
|
