CN118781326B 一种基于深度感知rgb多尺度融合网络的目标检测方法 （安徽大学）

一种基于深度感知RGB多尺度融合网络的目本发明公开了一种基于深度感知RGB多尺度中的下采样后插入深度感知RGB特征优化模块增意力引导模块使用更深的特征来引导融合后的本发明可以在不增加太多参数的情况下更准确高在复杂背景或者不同光照条件下显著性检测2cf=cn+c⃞v(3)步骤3，双注意力引导模块DAGM使用更深的特征来引导步骤2.根据权利要求1所述的一种基于深度感知R(1.2)依据T个深度间隔窗口将原始深度图分割为T个不同的区域，而直方图中未被选3.根据权利要求1所述的一种基于深度感知4.根据权利要求1所述的一种基于深度感知RGB多尺度3对于四个分支中后三个分支，每个分支中设有1x1内核的第一次卷积，用于改变特征通道的数量，还设置非对称卷积和扩张卷积，非对称卷积通过具有1xd和dx1内核的两层5.根据权利要求4所述的一种基于深度感知6.根据权利要求1所述的一种基于深度感知RGB式中Li和ULi分别表示学习的显著区域和未学习的区域，CA表7.根据权利要求1所述的一种基于深度感知id(p⃞)(8)4[0003]随着深度学习和多模态数据处理技术的发展，研究者开始探索如何结合RGB图像[0004]简单地融合RGB和深度图像的特征并不足以解决所有问题。不同尺度的特征对于了一个深度感知RGB特征优化模块(DARFOM)来明确消除背景干扰，并通过深度先验知识增强RGB特征，用一个多尺度注意力增强融合模块(MSAEFM)来更有效地的融合RGB和深度信5级下采样之后插入一个深度感知RGB特征优化模块DARFOM，利用原始深度图来增强RGB特[0022](1.2)依据T个深度间隔窗口将原6[0034]然后，组合特征ci通过具有3×3内核的卷积层后进入四个分支和通道注意力分[0039]上述的步骤3所述双注意力引导模块DAGM使用更深的特征来引导步骤2融合后的id(p⃞)(8)7[0058]本发明的基于深度感知的多尺度融合网络的RGB显著目标检测方法，主要分为三[0059]第一部分在RGB分支的每个下采样之后插入一个利用深度感知RGB特征优化模块用深度信息来增强和调整RGB特征，以便更好地突出显著对象并抑制背景信息。优化后的[0062]本发明基于双重注意力多尺度融合网络的RGB_D显著目标检测方法，相对于现有级下采样之后插入一个深度感知RGB特征优化模块DARFOM，利用原始深度图来增强RGB特8制包括通道注意力和空间注意力。通道注意力有助于模型选择性地关注重要的特征通道，[0071]该步骤利用sigmoid函数在解码器阶段的每层特征上采样之后，采用该函数来计[0075]为了更好的提取RGB特征，本发明设计了一个深度感知RGB特征优化模块(Depth_AwareRGBFeatureOptimization9配给RGB分支中的T+1个子分支，每个子分支将专注于处理与特定深度区域相关的图像信i和Wi分别表本发明利用最大池化操作将掩码与Crgbi的[0092]为了更好的融合RGB和深度特征，本发明设计了多尺度注意力增强融合模块[0094]对于第一级特征，它主要包含空间细节。直接添加cr和cd下一阶段可以从多个尺度中提取特征，而尺度范围较宽的特征有利于做出更准确的预测。[0098]为了尽可能地弥补下采样过程中丢失的信息，U_Net通过跳过连接将低级和高级着性检测任务的特点。受反向注意力的启发，本发明提出了一个双注意力引导模块(Dual