배경 폐쇄, 깊이 대비 및 상향식 특징을 이용한 RGB-D 두드러진 객체 탐지 학습

인간의 시각적 두드러짐에서 상향식 정보와 하향식 정보는 시각적 주의의 기초로 결합됩니다. 최근 깊이 합성곱 신경망(CNN)은 RGB 두드러진 객체 탐지에서 뛰어난 성능을 보여주었으며, 상향식 의미 정보를 저수준 특징과 결합하기 위한 효과적인 메커니즘을 제공합니다. 깊이 정보가 두드러진 객체에 대한 인간의 지각에 중요하다는 것이 입증되었지만, RGB-D 두드러진 객체 탐지를 위한 상향식 정보의 사용과 CNN 탐색은 여전히 제한적입니다. 여기에서는 상향식 및 하향식 단서를 모두 활용하는 RGB-D 두드러진 객체 탐지를 위한 새로운 깊이 CNN 아키텍처를 제안합니다. 이러한 아키텍처를 생성하기 위해, 우리는 배경 폐쇄, 깊이 대비 및 히스토그램 거리의 아이디어를 학습 접근 방식에 적합하게 캡처하는 새로운 깊이 특징을 제시합니다. 우리는 최신 상태의 RGB-D 두드러진 객체 탐지 방법과 비교하여 개선된 결과를 보여줍니다. 또한 저수준 및 중간 수준의 깊이 특징이 결과 개선에 기여한다는 것을 보여줍니다. 특히, 우리 방법의 F-Score는 RGBD1000에서 0.848이며, 이는 현재 최상의 방법보다 10.7% 향상된 결과입니다.