基于边缘的可逆重校准网络实现快速伪装目标检测
计算机视觉与模式识别
2024-02-20 v1
摘要
伪装目标检测（COD）旨在检测与其周围环境具有相似模式（如纹理、强度、颜色等）的目标，近来引起了日益增长的研究兴趣。由于伪装目标常呈现极为模糊的边界，如何确定目标位置及其微弱边界既具挑战性，也是该任务的关键。受人类观察者发现伪装目标时生物视觉感知过程的启发，本文提出一种名为ERRNet的基于边缘的可逆重校准新型网络。我们的模型具有两项创新设计，即选择性边缘聚合（SEA）与可逆重校准单元（RRU），旨在建模视觉感知行为并实现有效的边缘先验以及潜在伪装区域与背景之间的交叉比对。更重要的是，与现有COD模型相比，RRU融合了具有更全面信息的多样先验。实验结果表明，ERRNet在三个COD数据集和五个医学图像分割数据集上均优于现有的前沿基线模型。特别地，与现有排名第1的模型SINet相比，ERRNet以显著的高速度（79.3 FPS）将性能提升了约6%（平均E-measure），表明ERRNet可作为COD任务的一种通用且鲁棒的解决方案。
引用
@article{arxiv.2111.03216,
title = {Fast Camouflaged Object Detection via Edge-based Reversible Re-calibration Network},
author = {Ge-Peng Ji and Lei Zhu and Mingchen Zhuge and Keren Fu},
journal= {arXiv preprint arXiv:2111.03216},
year = {2024}
}
备注
35 pages, 7 figures, 5 tables (Accepted by Pattern Recognition 2022)