基于跨模态特征融合的RGB-D显著性目标检测

RGB-D显著性目标检测因其有效性和易于捕捉深度线索而受到越来越多的关注。现有的工作通常侧重于通过各种融合策略学习共享表示,少有方法明确考虑如何维持RGB和深度的模态特征。提出了一种跨模态特征融合网络,该网络维持RGB-D显著目标检测的RGB和深度的模态,通过探索共享信息以及RGB和深度模态的特性来提高显著检测性能。具体来说,采用RGB模态、深度模态网络和一个共享学习网络来生成RGB和深度模态显著性预测图以及共享显著性预测图。提出了一种跨模态特征融合模块,用于融合共享学习网络中的跨模态特征,然后将这些特征传播到下一层以整合跨层次信息。此外,提出了一种多模态特征聚合模块,将每个单独解码器的模态特定特征整合到共享解码器中,这可以提供丰富的互补多模态信息来提高显著性检测性能。最后,使用跳转连接来组合编码器和解码器层之间的分层特征。通过在4个基准数据集上与7种先进方法进行的实验表明,方法优于其他最先进的方法。

服务机器人社会意识导航方法综述

为提升服务机器人的社会可接受性,与人共融的社会意识导航一直是服务机器人研究领域的热点之一。重点对服务机器人社会意识导航方法展开综述,概述了服务机器人社会意识导航总体框架及主要研究方法;详细总结了基于社会空间关系模型(包括社会力模型和高斯模型)、基于社会行为学习及基于行人轨迹预测的社会意识导航方法;对服务机器人社会意识导航未来的发展趋势进行了展望。