Afin d'utiliser efficacement les informations des caractéristiques profondes pour assister la détection de saillance et réaliser la fusion des informations des caractéristiques à différentes échelles, cet article propose un algorithme de détection d'objets saillants sur images RGB-D basé sur une amélioration de l'algorithme CDINet. Tout d'abord, un module de fusion multi-échelle a été ajouté pour renforcer la transmission des informations caractéristiques entre l'encodeur et le décodeur, réduisant efficacement la perte des caractéristiques superficielles, en obtenant plus d'informations sur les objets saillants via les connexions sautées du décodeur auxiliaire. Ensuite, un module d'attention récurrent a été connecté à la fin de la structure du réseau CDINet, utilisant une fonction de compréhension de scène orientée mémoire, optimisant progressivement les détails locaux. Enfin, la fonction de perte a été ajustée en utilisant la perte d'amélioration de la cohérence (CEL) pour traiter les problèmes de cohérence spatiale générés par la fusion de caractéristiques à différentes échelles, mettant uniformément en évidence les régions saillantes sans augmenter le nombre de paramètres. Les résultats expérimentaux montrent que le modèle amélioré, comparé au modèle original de l'algorithme CDINet, a augmenté la mesure F de 0,6% et réduit le MAE de 0,4% sur le jeu de données LFSD ; amélioré la mesure F de 0,4% et la mesure S de 0,5% sur le jeu de données STERE. Par rapport à d'autres modèles algorithmiques, ce modèle répond principalement aux exigences d'une meilleure performance de détection et d'une adaptabilité supérieure.

détection d'objets saillants; vision par ordinateur; détection des contours; apprentissage profond