基于干扰挖掘的伪装目标分割
计算机视觉与模式识别
2021-04-22 v1
摘要
伪装目标分割（COS）旨在识别“完美”融入其周围环境的物体，具有广泛且有价值的应用。COS 的关键挑战在于候选物体与噪声背景之间存在高度的内在相似性。本文致力于应对有效且高效的 COS 挑战。为此，我们开发了一个受生物启发的框架，称为定位与聚焦网络（PFNet），其模拟自然界中的捕食过程。具体而言，我们的 PFNet 包含两个关键模块，即定位模块（PM）与聚焦模块（FM）。PM 被设计用于模拟捕食中的检测过程，从全局视角定位潜在目标物体；随后 FM 用于执行捕食中的识别过程，通过聚焦于模糊区域逐步细化粗预测。值得注意的是，在 FM 中，我们开发了一种新颖的干扰挖掘策略用于干扰发现与去除，以提升估计性能。大量实验表明，我们的 PFNet 可实时运行（72 FPS），并在三个具有挑战性的数据集上以四种标准指标显著优于 18 个前沿模型。
引用
@article{arxiv.2104.10475,
title = {Camouflaged Object Segmentation with Distraction Mining},
author = {Haiyang Mei and Ge-Peng Ji and Ziqi Wei and Xin Yang and Xiaopeng Wei and Deng-Ping Fan},
journal= {arXiv preprint arXiv:2104.10475},
year = {2021}
}
备注
CVPR 2021