Camouflaged Object 检测的自适应引导学习
计算机视觉与模式识别
2024-05-08 v2
摘要
Camouflaged object 检测 (COD) 旨在分割对象中嵌入其周围环境的视觉对象，这是一个非常具有挑战性的任务，由于对象与背景之间的高度相似性。为了解决这一问题，大多数方法会包含额外信息（如边界、纹理和频率线索），以指导特征学习以更好地检测背景中的伪装对象。尽管已取得进展，但这些方法基本上是针对特定的辅助线索而设计的，缺乏适应性，无法始终实现高分割性能。为此，本文提出一种自适应引导学习网络，称为 AGLNet，这是一个统一的端到端可学习模型，用于探索和适应不同额外线索以指导准确的伪装特征学习。具体而言，我们首先设计了一个简单直观的额外信息生成 (AIG) 模块来学习额外的伪装对象线索，可用于探索有效的伪装特征。随后我们提出了层次特征融合 (HFC) 模块，以多级融合方式深入整合额外线索和图像特征，以指导伪装特征学习。随后，我们引入了 recalibration 解码器 (RD)，对不同特征进行进一步的聚合和细化，以实现准确的对象预测。在三个广泛使用的 COD 基准数据集上进行的大量实验表明，所提出的方法在不同额外线索下均能实现显著的性能提升，并在最新 20 项 SOTA 方法中大幅超越。我们的代码将在 github 公开发布。
引用
@article{arxiv.2405.02824,
title = {Adaptive Guidance Learning for Camouflaged Object Detection},
author = {Zhennan Chen and Xuying Zhang and Tian-Zhu Xiang and Ying Tai},
journal= {arXiv preprint arXiv:2405.02824},
year = {2024}
}