基于交叉细化和循环注意力的RGB-D显著性目标检测

针对显著性目标检测区域边界模糊以及检测区域不精确不完整的问题，提出了基于交叉细化和循环注意力的RGB-D显著性目标检测方法。在利用编码器提取特征的阶段设计了交叉细化模块，用于补充对方的特征信息，改善了融合前的特征质量，抑制了质量较差的深度图带来的消极影响，解决了显著性目标边缘模糊的问题。针对融合后的特征，提出联合注意力机制与卷积长短期记忆网络单元的循环模块以模拟大脑的内部生成机制，通过检索过往的记忆帮助推断当前的决策，从而获得需要长期记忆的语义场景，可以全面学习融合特征的内部语义关系，生成检测区域更完整，更准确的显著性图。在6个公开数据集上进行的实验表明，所提的方法可以得到边缘清晰且准确度更高的显著图。