基于上下文感知跨层级融合的伪装目标检测
计算机视觉与模式识别
2022-07-28 v1
摘要
伪装目标检测（COD）旨在识别自然场景中自我隐藏的物体。准确的COD受到低边界对比度和物体外观大变化（如物体尺寸与形状）等多项挑战的困扰。为应对这些挑战，我们提出了一种新颖的上下文感知跨层级融合网络（C2F-Net），该网络融合上下文感知的跨层级特征以准确识别伪装物体。具体而言，我们利用注意力诱导的跨层级融合模块（ACFM）从多层级特征中计算信息性注意力系数，并在注意力系数引导下进一步整合特征。随后，我们提出双分支全局上下文模块（DGCM），通过利用丰富的全局上下文信息来精炼融合特征以获得信息性特征表示。多个ACFM与DGCM以级联方式集成，从高层特征生成粗预测。该粗预测作为注意力图，在将低层特征传入我们的伪装推理模块（CIM）生成最终预测前对其进行精炼。我们在三个广泛使用的基准数据集上进行了大量实验，并将C2F-Net与最先进（SOTA）模型进行比较。结果表明C2F-Net是一种有效的COD模型，且显著优于SOTA模型。此外，在息肉分割数据集上的评估展示了我们的C2F-Net在COD下游应用中的潜力。我们的代码公开于：https://github.com/Ben57882/C2FNet-TSCVT。
引用
@article{arxiv.2207.13362,
title = {Camouflaged Object Detection via Context-aware Cross-level Fusion},
author = {Geng Chen and Si-Jie Liu and Yu-Jia Sun and Ge-Peng Ji and Ya-Feng Wu and Tao Zhou},
journal= {arXiv preprint arXiv:2207.13362},
year = {2022}
}