CATP: 面向伪装物体检测的置信度感知 Token 剪枝
计算机视觉与模式识别
2026-04-21 v1
摘要
伪装物体检测（COD）旨在分割与复杂环境共享极端纹理和结构相似性的目标。利用 Transformer 在长程依赖建模方面的能力，已成为 COD 检测的主流方法并实现最先进（SOTA）精度，但其巨大的计算开销严重限制了实际部署。为此，我们提出了面向 COD 的层次化置信度感知 Token 剪枝框架（CATP）。我们的 approach 分层识别并丢弃背景和目标内部最易被区分的 Token，聚焦于关键边界 Token。为补偿剪枝造成的信息损失，我们引入双路径特征补偿机制，将被剪枝的 Token 中的上下文知识聚合到增强特征中。大量实验表明，我们的方法在多个 COD 基准测试上显著降低计算复杂度，同时保持高精度，为在实际场景中高效部署 COD 模型提供了有前景的研究方向。该代码将公开发布。
引用
@article{arxiv.2604.16854,
title = {CATP: Confidence-Aware Token Pruning for Camouflaged Object Detection},
author = {Yuhan Gao and Shuhao Kang and Xin He and Bing Li and Xu Cheng and Yun Liu},
journal= {arXiv preprint arXiv:2604.16854},
year = {2026}
}