B2Net：通过边界感知与边界融合的伪装目标检测
计算机视觉与模式识别
2025-01-03 v1 机器学习
摘要
伪装目标检测旨在识别图像中因纹理和颜色与背景高度相似而隐藏良好的目标。然而，现有大多数边界引导的伪装目标检测算法倾向于在网络早期生成目标边界，不准确的边缘先验常常在目标检测中引入噪声。针对这一问题，我们提出了一种名为B2Net的新网络，旨在通过在不同网络阶段重复使用边界感知模块来提高所获边界的准确性。具体来说，我们提出了残差特征增强模块，其目标是整合更具判别性的特征表示以提高检测准确性和可靠性。之后，引入边界感知模块，通过整合低层特征的空间信息和高层特征的语义信息来两次探索边缘线索。最后，我们设计了跨尺度边界融合模块，以自顶向下的方式整合不同尺度的信息，将边界特征与目标特征融合，得到包含边界信息的综合特征表示。在三个具有挑战性的基准数据集上的大量实验结果表明，我们提出的B2Net方法在广泛使用的评估指标下优于15种最新方法。代码将公开提供。
引用
@article{arxiv.2501.00426,
title = {B2Net: Camouflaged Object Detection via Boundary Aware and Boundary Fusion},
author = {Junmin Cai and Han Sun and Ningzhong Liu},
journal= {arXiv preprint arXiv:2501.00426},
year = {2025}
}