基于贝叶斯框架融合的RGB-D图像显著性检测

为了有效融合RGB图像颜色信息和Depth图像深度信息,提出一种基于贝叶斯框架融合的RGB-D图像显著性检测方法.通过分析3D显著性在RGB图像和Depth图像分布的情况,采用类条件互信息熵(Class-conditional mutual information,CMI)度量由深层卷积神经网络提取的颜色特征和深度特征的相关性,依据贝叶斯定理得到RGB-D图像显著性后验概率.假设颜色特征和深度特征符合高斯分布,基于DMNB (Discriminative mixed-membership naive Bayes)生成模型进行显著性检测建模,其模型参数由变分最大期望算法进行估计.在RGB-D图像...

Full description

Saved in:
Bibliographic Details
Published in自动化学报 Vol. 46; no. 4; pp. 695 - 720
Main Authors 王松涛, 周真, 靳薇, 曲寒冰
Format Journal Article
LanguageChinese
Published 哈尔滨理工大学测控技术与仪器省高校重点实验室 哈尔滨 150080 01.04.2020
北京市科学技术研究院人工智能与大数据研究中心 北京 100012
北京市新技术应用研究所大数据研究中心 北京 100094%哈尔滨理工大学测控技术与仪器省高校重点实验室 哈尔滨 150080%北京市科学技术研究院人工智能与大数据研究中心 北京 100012
北京市新技术应用研究所大数据研究中心 北京 100094
Subjects
生成模型
贝叶斯融合
显著性检测
RGB-D图像
深度学习
Online AccessGet full text
ISSN0254-4156
DOI10.16383/j.aas.2018.c170232

Cover

More Information
Summary:为了有效融合RGB图像颜色信息和Depth图像深度信息,提出一种基于贝叶斯框架融合的RGB-D图像显著性检测方法.通过分析3D显著性在RGB图像和Depth图像分布的情况,采用类条件互信息熵(Class-conditional mutual information,CMI)度量由深层卷积神经网络提取的颜色特征和深度特征的相关性,依据贝叶斯定理得到RGB-D图像显著性后验概率.假设颜色特征和深度特征符合高斯分布,基于DMNB (Discriminative mixed-membership naive Bayes)生成模型进行显著性检测建模,其模型参数由变分最大期望算法进行估计.在RGB-D图像显著性检测公开数据集NLPR和NJU-DS2000上测试,实验结果表明提出的方法具有更高的准确率和召回率.
ISSN:0254-4156
DOI:10.16383/j.aas.2018.c170232