典型文献
小样本条件下的RGB-D显著性物体检测
文献摘要：
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学习方法迁移额外的RGB图像知识,通过大量实验验证了引入小样本学习来提升RGB-D显著性物体检测性能的可行性和有效性,对后续将小样本学习引入其他多模态检测任务也提供了一定的启示.
文献关键词：
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
中图分类号：
作者姓名：
何静;傅可人
作者机构：
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;四川大学计算机学院,成都 610065
文献出处：
引用格式：
[1]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(10):2860-2872
A类：
显著性物体检测,多模态检测
B类：
样本条件,RGB,depth,监督方式,训练集,泛化性能,小样本学习,小样本问题,解空间,空间优化,训练样本,样本扩充,多任务学习,参数共享,约束模型,知识迁移,移至,深度估计,估计算法,数据生成,深度图,所生,检测模型,融合模型,方法迁移,检测性能,显著性检测
AB值：
0.158565
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
