Para utilizar eficientemente as informações de características profundas para auxiliar na detecção de saliência e realizar a fusão de informações de características em diferentes escalas, este artigo propõe um algoritmo de detecção de objetos salientes em imagens RGB-D baseado numa melhoria do algoritmo CDINet. Primeiramente, foi adicionado um módulo de fusão de características multiescala para reforçar a transmissão das informações entre o codificador e o decodificador, reduzindo efetivamente a perda de características superficiais, obtendo mais informações das características dos objetos salientes por meio das conexões de salto do decodificador auxiliar. Em seguida, um módulo de atenção recorrente foi conectado à parte final da estrutura da rede CDINet, utilizando uma função de compreensão de cena orientada à memória para otimizar gradualmente os detalhes locais. Por fim, a função de perda foi ajustada usando a perda de aumento de consistência (CEL) para lidar com problemas de consistência espacial gerados pela fusão das características em diferentes escalas, destacando uniformemente as áreas salientes sem aumentar os parâmetros. Os resultados experimentais mostram que o modelo melhorado, em comparação com o modelo original do algoritmo CDINet, aumentou a medida F em 0,6% e reduziu o MAE em 0,4% no conjunto de dados LFSD; aumentou a medida F em 0,4% e a medida S em 0,5% no conjunto de dados STERE. Em comparação com outros modelos algorítmicos, este modelo atende basicamente aos requisitos de melhor desempenho de detecção e maior adaptabilidade.

detecção de objetos salientes; visão computacional; detecção de bordas; aprendizado profundo