[論文レビュー] Siamese Network for RGB-D Salient Object Detection and Beyond

Keren Fu, Deng-Ping Fan+4 more|arXiv (Cornell University)|Aug 26, 2020

Visual Attention and Saliency Detection参考文献 154被引用数 25

ひとこと要約

本論文では、RGBと深度の両モダリティから特徴を共同で学習する共有バックボーンを用いた、Siameseネットワークベースのフレームワーク、JL-DCFを提案する。これにより、クロスモダリティ特徴伝達が効果的に行われ、7つのベンチマークで平均F-measureが約2.0%向上し、SOTA性能を達成した。また、RGB-Tや動画SODタスクに対しても良好な汎化性能を示した。

ABSTRACT

Existing RGB-D salient object detection (SOD) models usually treat RGB and depth as independent information and design separate networks for feature extraction from each. Such schemes can easily be constrained by a limited amount of training data or over-reliance on an elaborately designed training process. Inspired by the observation that RGB and depth modalities actually present certain commonality in distinguishing salient objects, a novel joint learning and densely cooperative fusion (JL-DCF) architecture is designed to learn from both RGB and depth inputs through a shared network backbone, known as the Siamese architecture. In this paper, we propose two effective components: joint learning (JL), and densely cooperative fusion (DCF). The JL module provides robust saliency feature learning by exploiting cross-modal commonality via a Siamese network, while the DCF module is introduced for complementary feature discovery. Comprehensive experiments using five popular metrics show that the designed framework yields a robust RGB-D saliency detector with good generalization. As a result, JL-DCF significantly advances the state-of-the-art models by an average of ~2.0% (max F-measure) across seven challenging datasets. In addition, we show that JL-DCF is readily applicable to other related multi-modal detection tasks, including RGB-T (thermal infrared) SOD and video SOD, achieving comparable or even better performance against state-of-the-art methods. We also link JL-DCF to the RGB-D semantic segmentation field, showing its capability of outperforming several semantic segmentation models on the task of RGB-D SOD. These facts further confirm that the proposed framework could offer a potential solution for various applications and provide more insight into the cross-modal complementarity task.

研究の動機と目的

• RGBと深度を独立した入力として扱い、別々のネットワークを用いる既存のRGB-D SODモデルの性能限界を解消すること。
• 疎で高品質な深度データと、複雑な訓練プロセスへの過剰依存による特徴抽出および統合の課題を克服すること。
• RGBと深度の間のクロスモダリティ共通性を活用し、Siameseアーキテクチャを用いて強力で共有された特徴学習を実現すること。
• RGB-D SODに限らず、RGB-Tや動画SODなどの他のマルチモーダルタスクにも適用可能な統合フレームワークを構築すること。
• RGB-D SODとセマンティックセグメンテーションの間の転送可能性を検証し、JL-DCFが適応されたSOTAセグメンテーションモデルを上回ることを示すこと。

提案手法

• RGBと深度の両入力から階層的特徴を同時に抽出できる、共有バックボーンを用いたSiameseネットワークを活用する連合学習（JL）モジュールを提案する。
• 複数スケールでモダリティ間の特徴を集約することで、補完的特徴学習を可能にする、密な協調統合（DCF）モジュールを導入する。
• 独立した特徴抽出後に特徴を統合するミドルファージョン戦略を採用し、初期統合や遅延統合の制限を回避する。
• 図形・背景の対比、輪郭の閉じ具合、境界接続性といった、RGBと深度の間で共通する顕著性の手がかりを活用し、クロスモダリティ伝達を実現する。
• 共有バックボーンと統合メカニズムを再利用することで、RGB-T SODや動画SODなどの他のタスクにフレームワークを適応する。
• 分類ヘッドを顕著性予測ヘッドに置き換えることで、PSPNet、DANet、SA-GateなどのSOTAセマンティックセグメンテーションモデルをRGB-D SODタスクに適応し、公平な比較を実現する。

実験結果

リサーチクエスチョン

• RQ1 Siameseネットワークは、顕著オブジェクト検出の文脈で、RGBと深度の間の共有でクロスモダリティ表現を効果的に学習できるか？
• RQ2 共有バックボーンを用いた連合学習は、独立したモダリティ固有のネットワークと比較して、特徴のロバスト性と一般化性能を向上させるか？
• RQ3 密な協調統合は、RGBと深度の補完的特徴を効果的に活用し、検出精度を向上させることができるか？
• RQ4 JL-DCFフレームワークは、RGB-T SOD や動画SODといった他のマルチモーダルタスクへどの程度汎化可能か？
• RQ5 SOTAセマンティックセグメンテーションモデルをRGB-D SODタスクに適応した場合、本フレームワークとの間に有意義な性能差が生じるか？

主な発見

• JL-DCFは、7つのベンチマークデータセットで、既存のSOTAモデルと比較して平均F-measureが約2.0%向上した。
• 代表的な5つのRGB-D SODデータセットにおいて、すべての適応されたSOTAセマンティックセグメンテーションモデル（SA-Gate や DANet など）を上回る性能を示した。
• SGNetはRGB-D SODに適応した際に著しく性能が低下したが、これは深度をガイド信号として過剰に依存しているため、顕著性タスクでは信頼性が低いと推察される。
• 本手法はRGB-T SODおよび動画SODに対しても効果的に汎化でき、専用のSOTA手法と同等またはそれ以上の性能を達成した。
• アブレーションスタディの結果、連合学習および密な協調統合の両コンponentsが、特徴表現と検出精度の向上に有効であることが確認された。
• 結果から、輪郭の閉じ具合や境界接続性といった顕著性の手がかりにおけるクロスモダリティ補完性が、共有されたSiamese学習によって効果的に活用可能であることが示された。