深層特徴情報を効率的に活用して顕著性検出を支援し、異なる尺度の特徴情報の融合を実現するために、本論文ではCDINetアルゴリズムを改良したRGB-D画像の顕著性対象検出アルゴリズムを提案する。まず、エンコーダとデコーダ間の特徴情報伝達を強化するためにマルチスケール特徴融合モジュールを追加し、浅層特徴の損失を効果的に減少させ、補助デコーダのスキップ接続によりより多くの顕著な物体の特徴情報を取得する。次に、CDINetのネットワーク構造の末尾に循環注意モジュールを接続し、記憶指向のシーン理解機能を利用して局所的な詳細を徐々に最適化する。最後に、損失関数を調整し、一貫性強化損失（CEL）を用いて異なる尺度特徴融合による空間的一貫性の問題を処理し、パラメータを増やさずに顕著領域を均一に強調する。実験結果は、改良モデルが元のCDINetアルゴリズムモデルと比較してLFSDデータセットでF-measureが0.6%向上し、MAEが0.4%低下し、STEREデータセットでF-measureが0.4%、S-measureが0.5%向上したことを示している。他のアルゴリズムモデルと比較して、本モデルは基本的により良い検出性能と高い適応性の要求を満たしている。

顕著性対象検出;コンピュータビジョン;エッジ検出;深層学習