基于贝叶斯框架融合的RGB-D图像显著性检测

作者：王松涛; 周真^*; 靳薇; 曲寒冰

来源：自动化学报, 2020, 46(04): 695-720.

DOI：10.16383/j.aas.2018.c170232

• 贝叶斯融合
• 深度学习
• 生成模型
• 显著性检测
• RGB-D图像

为了有效融合RGB图像颜色信息和Depth图像深度信息,提出一种基于贝叶斯框架融合的RGB-D图像显著性检测方法.通过分析3D显著性在RGB图像和Depth图像分布的情况,采用类条件互信息熵(Class-conditional mutual information, CMI)度量由深层卷积神经网络提取的颜色特征和深度特征的相关性,依据贝叶斯定理得到RGB-D图像显著性后验概率.假设颜色特征和深度特征符合高斯分布,基于DMNB (Discriminative mixed-membership naive Bayes)生成模型进行显著性检测建模,其模型参数由变分最大期望算法进行估计.在RGB-D图像显著性检测公开数据集NLPR和NJU-DS2000上测试,实验结果表明提出的方法具有更高的准确率和召回率.

• 单位
  北京市科学技术研究院; 北京市新技术应用研究所; 哈尔滨理工大学