Para utilizar de manera eficiente la información de características profundas para ayudar en la detección de prominencia y lograr la fusión de información de características a diferentes escalas, en este artículo se propone un algoritmo de detección de objetos prominentes en imágenes RGB-D basado en una mejora del algoritmo CDINet. Primero, se añadió un módulo de fusión de características multiescala para fortalecer la transmisión de información de características entre el codificador y el decodificador, reduciendo efectivamente la pérdida de características superficiales y obteniendo más información de características de objetos prominentes mediante conexiones de salto del decodificador auxiliar. Luego, se conectó un módulo de atención recurrente al final de la estructura de la red CDINet, utilizando una función de comprensión de escenas orientada a la memoria que optimiza gradualmente los detalles locales. Finalmente, se ajustó la función de pérdida usando la pérdida de mejora de consistencia (CEL) para tratar problemas de coherencia espacial generados por la fusión de características a diferentes escalas y destacar uniformemente las regiones prominentes sin aumentar parámetros. Los resultados experimentales muestran que el modelo mejorado, en comparación con el modelo original del algoritmo CDINet, aumentó la medida F en un 0.6% y redujo el MAE en un 0.4% en el conjunto de datos LFSD; aumentó la medida F en un 0.4% y la medida S en un 0.5% en el conjunto de datos STERE. En comparación con otros modelos algorítmicos, este modelo cumple básicamente con los requisitos de un mejor rendimiento de detección y mayor adaptabilidad.

detección de objetos prominentes; visión por computadora; detección de bordes; aprendizaje profundo