Для эффективного использования глубинной информации признаков в помощь обнаружению значимых объектов и реализации слияния признаков разных масштабов в данной работе предложен метод обнаружения значимых целей на RGB-D изображениях, основанный на улучшенном алгоритме CDINet. Во-первых, был добавлен модуль мультимасштабного слияния признаков для усиления передачи информации признаков между кодером и декодером, что эффективно сокращает потерю мелкопоточечных признаков и получает больше информации о признаках значимых объектов через пропускные связи вспомогательного декодера. Далее к окончанию структуры сети CDINet подключен рекуррентный модуль внимания, который с помощью функции понимания сцены, ориентированной на память, постепенно оптимизирует локальные детали. Наконец, функция потерь была настроена с использованием потери согласованного усиления (CEL) для обработки пространственной согласованности, вызванной слиянием признаков разных масштабов, и равномерному выделению значимых областей без увеличения числа параметров. Экспериментальные результаты показывают, что улучшенная модель, по сравнению с исходной моделью алгоритма CDINet, улучшила F-measure на 0,6% и снизила MAE на 0,4% на наборе данных LFSD; повысила F-measure на 0,4% и S-measure на 0,5% на наборе данных STERE. По сравнению с другими алгоритмическими моделями, данная модель в основном удовлетворяет требованиям лучшей производительности обнаружения и более высокой адаптивности.

обнаружение значимых целей; компьютерное зрение; обнаружение краев; глубокое обучение