摘要

使用RGB-D数据进行显著目标检测（SOD）领域最近出现了一些模型，这些模型的结果相当精确。然而，它们的泛化能力有限且计算复杂度较高。在本文中，我们受到可变形卷积在背景/前景分离方面出色表现的启发，将其应用于我们的密集可变形网络（Densely Deformable Network, DDNet），以实现高效的SOD。通过转置卷积进一步优化从密集可变形卷积中提取的显著区域，从而生成最优的显著图。利用最新的SOD数据集对22种竞争方法进行定量和定性评估，结果表明我们提出的方法具有高效性和有效性。此外，我们还使用自己创建的跨数据集——监控显著目标检测（Surveillance-SOD, S-SOD）来验证训练模型在不同场景中的适用性。实验结果表明，当前模型的泛化潜力有限，需要在此方向上进行更多的研究。我们的代码和新数据集将在https://github.com/tanveer-hussain/EfficientSOD 公开发布。