RGB-D 显著性目标检测：全面调研（2012-2020）

论文：RGB-D Salient Object Detection: A Survey
论文下载：RGB-D Salient Object Detection: A Survey
代码：https://github.com/taozh2017/RGBD-SODsurvey

论文一共24页，共计193篇参考文献。
作者单位：IIAI&南开大学（程明明）

摘要

本文从各个角度对基于RGB-D的SOD模型算法、基准项目进行了全面调研和评估，并详细调查了相关的数据集。显著性目标检测（SOD）可模拟人类视觉感知系统以定位场景中最吸引人的物体，已广泛应用于各种计算机视觉任务。现在，随着深度传感器的出现，可以轻松地捕获具有丰富的空间信息的深度图，这些空间信息可以有益于提高SOD的性能。尽管在过去的几年中已经提出了各种基于RGB-D的具有良好性能的SOD模型，但是仍然缺乏对这些模型的深入理解和本主题中的挑战。在本文中，我们从各个角度对基于RGB-D的SOD模型进行了全面的调查，并详细调研了相关的基准数据集。此外，考虑到光场还可以提供深度图，因此我们还回顾了该领域的SOD模型和流行的基准数据集。此外，为了研究现有模型的SOD能力，我们对几种代表性的基于RGB-D的SOD模型进行了综合评估以及基于属性的评估。最后，我们讨论了基于RGB-D的SOD的一些挑战和开放方向，以供将来研究。

模型统计

首先是对各种RGBD模型有一定的了解，知道哪些模型比较新，一般较新的模型表现较好，刷得分越高，比如BBS-Net。我刷了好久，还是没有质的突破。
下面是具体的模型来龙去脉以及开源的code都在下图中

数据集统计

这里是数据集的直观感受，调整模型的时候，我会有一定参考。模型在某个数据集上表现不佳，可能是这个数据集与众不同，那就得找到他的独特之处，然后在针对于这个不同点对模型进行改进，网络进行相关设计。这里给出了可视化图和具体的数据作为参考。

模型结构统计

近几年的SOD的模型基本也是这样的，后面延伸到了RGBD-SOD，所以这部分对我们模型的整体设计是有一定参考的，先放在这里，设计模型结构的时候看一下。