摘要

场景深度信息有助于提升视觉信息在语义分割任务中的准确性。然而，如何有效将多模态信息融合到具有代表性的特征中，仍是当前尚未解决的关键问题。现有的大多数方法采用深度卷积神经网络（DCNN）对多模态信息进行隐式融合，但随着网络深度的增加，部分关键的区分性特征可能丢失，从而影响分割性能。为此，本文提出一种统一且高效的特征选择与融合网络（FSFNet），其核心包含一个对称的跨模态残差融合模块，用于显式地融合多模态信息。此外，网络还引入了一个精细化特征传播模块，可在网络前向传播过程中有效保留低层细节信息。实验结果表明，在两个公开数据集上，所提出的模型相较于当前最先进的方法，均取得了具有竞争力的分割性能。