CamoFA：一种用于伪装分割的基于傅里叶的可学习增强方法
计算机视觉与模式识别
2024-12-04 v2
摘要
伪装目标检测(COD)与伪装实例分割(CIS)分别旨在识别并分割融入背景的物体。尽管已有若干深度神经网络模型被提出以应对这些任务，但针对 COD 与 CIS 的增强方法尚未被深入探索。增强策略可通过增加训练数据的规模与多样性，并使模型暴露于更广的数据变化范围，从而提升模型性能。此外，我们旨在自动学习有助于揭示伪装物体底层结构的变换，使模型学会更好地识别与分割伪装物体。为此，我们通过傅里叶变换方法提出一种用于 COD 与 CIS 的频率域可学习增强方法，称为 CamoFA。我们的方法利用条件生成对抗网络与交叉注意力机制生成参考图像，并以带参数的自适应混合交换来混合参考图像的低频分量与输入图像的高频分量。该方法旨在使伪装物体对检测与分割模型更可见。无需额外技巧，我们提出的增强方法大幅提升了伪装目标检测器与实例分割器的性能。
引用
@article{arxiv.2308.15660,
title = {CamoFA: A Learnable Fourier-based Augmentation for Camouflage Segmentation},
author = {Minh-Quan Le and Minh-Triet Tran and Trung-Nghia Le and Tam V. Nguyen and Thanh-Toan Do},
journal= {arXiv preprint arXiv:2308.15660},
year = {2024}
}
备注
Accepted to WACV 2025