DQnet：用于伪装目标检测的跨模型细节查询网络
计算机视觉与模式识别
2022-12-19 v1
摘要
伪装目标与其周围环境无缝融合，这给计算机视觉带来了一项具有挑战性的检测任务。为伪装目标检测(COD)优化卷积神经网络(CNN)往往激活局部判别区域而忽略完整目标范围，导致局部激活问题，不可避免地造成目标区域的缺失或冗余。本文认为，局部激活是由CNN的固有特性引起的，其中卷积操作产生局部感受野，难以捕捉图像区域间的长程特征依赖。为了获得能够激活完整目标范围、使分割结果不被噪声特征淹没的特征图，我们提出了一种称为跨模型细节查询网络(Cross-Model Detail Querying network, DQnet)的新框架。它推理长程感知表示与多尺度局部细节之间的关系，使增强后的表示充分突出目标区域并消除非目标区域上的噪声。具体而言，采用以自监督学习(SSL)预训练的普通ViT来建模图像区域间的长程依赖；采用ResNet来学习多尺度细粒度空间局部细节。然后，为有效检索目标相关细节，提出基于关系的查询(RBQ)模块来探索全局表示与多尺度局部细节之间基于窗口的交互。在广泛使用的COD数据集上进行的大量实验表明，我们的DQnet优于当前最先进方法。
引用
@article{arxiv.2212.08296,
title = {DQnet: Cross-Model Detail Querying for Camouflaged Object Detection},
author = {Wei Sun and Chengao Liu and Linyan Zhang and Yu Li and Pengxu Wei and Chang Liu and Jialing Zou and Jianbin Jiao and Qixiang Ye},
journal= {arXiv preprint arXiv:2212.08296},
year = {2022}
}