基于贝叶斯框架融合的RGB-D图像显著性检测
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.
贝叶斯融合、深度学习、生成模型、显著性检测、RGB-D图像
46
国家自然科学基金;北京市西城区优秀人才培养资助项目;北京市科技计划
2020-06-02（万方平台首次上网日期，不代表论文的发表时间）
共26页
695-720
