面向伪装目标检测的特征聚合与传播网络
计算机视觉与模式识别
2022-12-05 v1
摘要
伪装目标检测（COD）旨在检测/分割嵌入环境中的伪装对象，过去几十年中引起了越来越多的关注。尽管已提出若干 COD 方法，但由于前景对象与背景环境之间的内在相似性，其性能仍不尽如人意。本文中，我们提出了一种新颖的用于伪装目标检测的特征聚合与传播网络（FAP-Net）。具体而言，我们提出边界引导模块（BGM）以显式建模边界特征，其可提供边界增强特征以提升 COD 性能。为捕捉伪装对象的尺度变化，我们提出多尺度特征聚合模块（MFAM）以表征各层的多尺度信息并获得聚合特征表示。此外，我们提出跨层融合与传播模块（CFPM）。在 CFPM 中，特征融合部分可有效整合来自相邻层的特征以利用跨层相关性，而特征传播部分可通过门控单元将有价值的上下文信息从编码器传输至解码器网络。最后，我们构建了一个统一且端到端可训练的框架，其中跨层特征可被有效融合与传播以捕捉丰富的上下文信息。在三个基准伪装数据集上的大量实验表明，我们的 FAP-Net 优于其他最先进（SOTA）的 COD 模型。此外，我们的模型可扩展至息肉分割任务，对比结果进一步验证了所提模型在分割息肉方面的有效性。源代码与结果将发布于 https://github.com/taozh2017/FAPNet。
引用
@article{arxiv.2212.00990,
title = {Feature Aggregation and Propagation Network for Camouflaged Object Detection},
author = {Tao Zhou and Yi Zhou and Chen Gong and Jian Yang and Yu Zhang},
journal= {arXiv preprint arXiv:2212.00990},
year = {2022}
}
备注
12 pages, 6 figures, accepted by IEEE Transactions on Image Processing