基于分布特性的显著目标与伪装目标联合检测学习
计算机视觉与模式识别
2025-08-11 v1
摘要
显著目标检测（SOD）和伪装目标检测（COD）是两个紧密相关但不同的计算机视觉任务。虽然两者都是从RGB空间映射到二进制空间的无类别分割任务，但前者旨在识别图像中最显著的目标，而后者则聚焦于检测在图像中与背景完美融合的伪装目标。这两个任务表现出强烈的矛盾属性。以往的研究大多认为，这两个任务的联合学习会混淆网络，从而降低在两个任务上的性能。然而，本文提出了相反的观点：通过正确的学习方法，网络可以同时具备寻找显著目标和伪装目标的能力，使两个任务能够从联合学习中获益。我们提出了SCJoint，一种用于SOD和COD任务的联合学习方案，假设SOD和COD的解码过程具有不同的分布特征。本方法的关键在于通过在完全共享的网络结构中插入最小数量的任务特定可学习参数，来学习两个任务的各自均值和方差，从而在最小成本下解耦这两个任务的矛盾属性。此外，我们提出了基于显著性的抽样策略（SBSS），用于平衡两个任务训练集的大小。SBSS还提高了训练集质量，缩短了训练时间。基于所提出的SCJoint和SBSS，我们训练了一个强大的通用网络，命名为JoNet，具备同时捕获“显著”和“伪装”目标的能力。大量实验表明，我们的方法在性能上具有竞争力且有效。代码已公开于https://github.com/linuxsino/JoNet。
引用
@article{arxiv.2508.06063,
title = {Distribution-Specific Learning for Joint Salient and Camouflaged Object Detection},
author = {Chao Hao and Zitong Yu and Xin Liu and Yuhao Wang and Weicheng Xie and Jingang Shi and Huanjing Yue and Jingyu Yang},
journal= {arXiv preprint arXiv:2508.06063},
year = {2025}
}