من أجل الاستفادة بكفاءة من معلومات الميزات العميقة للمساعدة في الكشف عن الأهمية، وتحقيق دمج معلومات الميزات ذات المقاييس المختلفة، قدمت هذه الدراسة خوارزمية كشف الأهداف البارزة في الصور RGB-D القائمة على تحسين خوارزمية CDINet. أولاً، تمت إضافة وحدة دمج الميزات متعددة المقاييس لتعزيز نقل معلومات الميزات بين المشفر وفك التشفير، مما يقلل بشكل فعال فقدان الميزات السطحية، ويحصل على مزيد من معلومات ميزات الأجسام البارزة من خلال الاتصالات الانتقالية للمساعد في فك التشفير. بعد ذلك، تم ربط وحدة انتباه دورية بنهاية بنية شبكة CDINet، من خلال استخدام وظيفة فهم المشهد الموجهة للذاكرة لتحسين التفاصيل المحلية تدريجياً. أخيراً، تم تعديل دالة الخسارة باستخدام خسارة التعزيز التناسقية (CEL) لمعالجة مشكلات الاتساق المكاني الناجمة عن دمج الميزات متعددة المقاييس، وتسليط الضوء بشكل متساوٍ على المناطق البارزة دون زيادة في عدد المعلمات. تظهر النتائج التجريبية أن النموذج المحسن، مقارنة بنموذج خوارزمية CDINet الأصلية، حقق زيادة في مقياس F بنسبة 0.6٪ وانخفاض MAE بنسبة 0.4٪ على مجموعة بيانات LFSD؛ وزيادة في مقياس F بنسبة 0.4٪ وتحسن في مقياس S بنسبة 0.5٪ على مجموعة بيانات STERE. بالنسبة للنماذج الخوارزمية الأخرى، فإن هذا النموذج يلبي أساساً متطلبات أداء الكشف الأفضل والتكيف الأعلى.

كشف الأهداف البارزة; الرؤية الحاسوبية; كشف الحواف; التعلم العميق