Recurrent Optimization Network for RGB-T salient object detection

Sheng, Xichun

doi:10.1016/j.jvcir.2026.104905

Recurrent Optimization Network for RGB-T salient object detection

2026-09-01

0

PRE

AI

DOI：10.1016/j.jvcir.2026.104905

原文链接

原文求助

摘要

En 中文

RGB-T显著目标检测通过结合可见光线索与热响应来提高复杂环境下的鲁棒性。然而，许多对称融合策略将两种模态同等对待，这可能将热背景噪声传播到最终表示中。为解决此问题，我们提出了循环优化网络（RONet）。在本工作中，“循环”并非指代时序状态递归，而是指在每个特征层级内构建闭环双向特征优化过程。基于共享的Swin Transformer编码器，所提出的视觉中心的循环优化（RO）模块利用可靠的RGB空间先验抑制热噪声并优化跨模态对齐。此外，引入多尺度语义（MS）和细节增强（DE）模块进行语义校准和精细边界恢复。在三个RGB-T基准数据集上的实验表明，RONet相较于强竞争方法，F-measure提高了1.3%，MAE降低了16.0%。代码公开地址为https://github.com/IMOP-lab/RONet。

Keyword:

Salient object detection

Recurrent Optimization module

Multi-Scale Semantic module

Detail Enhancement module

Recurrent Optimization Network for RGB-T salient object detection

摘要

期刊

机构

引用论文