CamoFormer：用于伪装目标检测的掩码可分注意力
计算机视觉与模式识别
2022-12-14 v1
摘要
如何从背景中识别并分割伪装目标具有挑战性。受 Transformer 中多头自注意力启发，我们提出一种简单的掩码可分注意力（MSA）用于伪装目标检测。我们首先将多头自注意力分离为三部分，分别利用不同的掩码策略从背景中区分伪装目标。此外，我们提出基于带有所提 MSA 的简单自顶向下解码器逐步捕获高分辨率语义表征，以获得精确的分割结果。这些结构加上骨干编码器构成了一个新模型，称为 CamoFormer。大量实验表明，CamoFormer 在三个广泛使用的伪装目标检测基准上超越了所有现有的 SOTA 方法。在 S-measure 和加权 F-measure 方面，相对于先前方法平均约有 5% 的相对提升。
引用
@article{arxiv.2212.06570,
title = {CamoFormer: Masked Separable Attention for Camouflaged Object Detection},
author = {Bowen Yin and Xuying Zhang and Qibin Hou and Bo-Yuan Sun and Deng-Ping Fan and Luc Van Gool},
journal= {arXiv preprint arXiv:2212.06570},
year = {2022}
}