CamoDiffusion：基于条件扩散模型的伪装目标检测
计算机视觉与模式识别
2023-05-30 v1 人工智能
摘要
伪装目标检测（COD）是计算机视觉中一项具有挑战性的任务，因为伪装对象与其周围环境高度相似。现有COD方法主要采用语义分割，其存在过度自信的错误预测问题。在本文中，我们提出一种新范式，将COD视为利用扩散模型的条件掩码生成任务。我们的方法称为CamoDiffusion，采用扩散模型的去噪过程迭代降低掩码噪声。由于扩散的随机采样过程，我们的模型能够从掩码分布中采样多个可能预测，避免过度自信的点估计问题。此外，我们开发了专门的学习策略，包括用于生成鲁棒预测的创新集成方法，以及针对COD任务的高效训练定制前向扩散方法。在三个COD数据集上的大量实验证明，我们的模型相较于现有最先进方法具有更优性能，尤其在最具挑战性的COD10K数据集上，我们的方法在MAE指标上达到0.019。
引用
@article{arxiv.2305.17932,
title = {CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion Models},
author = {Zhongxi Chen and Ke Sun and Xianming Lin and Rongrong Ji},
journal= {arXiv preprint arXiv:2305.17932},
year = {2023}
}