GLCONet：学习多源感知表示用于伪装目标检测
计算机视觉与模式识别
2024-09-17 v1
摘要
近年来，生物感知已成为处理伪装目标检测任务的有力工具。然而，现有的大多数方法严重依赖于来自卷积操作的不同尺度的局部空间信息来优化初始特征。这些方法中一个普遍被忽视的点是来自不同尺度空间的特征像素之间的长程依赖关系，这可以帮助模型构建目标的全局结构，从而产生更精确的图像表示。在本文中，我们提出了一种新颖的全局-局部协同优化网络，称为GLCONet。在技术上，我们首先从多源感知的角度设计了一种协同优化策略，以同时建模局部细节和全局长程关系，这可以为特征提供丰富的判别信息，从而提高检测伪装目标的准确性。此外，我们引入了一个相邻反向解码器，它包含跨层聚合和反向优化，以整合来自不同层次的互补信息，从而生成高质量的表征。大量实验表明，所提出的GLCONet方法使用不同的骨干网络能够有效激活图像中潜在的重要像素，在三个公开的COD数据集上优于二十种最先进的方法。源代码可在以下网址获取：\https://github.com/CSYSI/GLCONet。
引用
@article{arxiv.2409.09588,
title = {GLCONet: Learning Multi-source Perception Representation for Camouflaged Object Detection},
author = {Yanguang Sun and Hanyu Xuan and Jian Yang and Lei Luo},
journal= {arXiv preprint arXiv:2409.09588},
year = {2024}
}
备注
Accepted at TNNLS 2024