面向伪装目标检测的知识矫正:挖掘低质量数据中的洞见
计算机视觉与模式识别
2025-03-31 v1
摘要
低质量数据往往存在图像细节不足的问题,引入了额外的隐式伪装因素,从而使伪装目标检测(COD)更加复杂。现有的 COD 方法主要聚焦于高质量数据,忽视了低质量数据所带来的挑战,导致性能显著下降。为此,我们提出 KRNet,这是首个专为低质量数据下的 COD 设计的框架。KRNet 提出了一种主从框架,其中主模块从高质量数据中提取双重金标准分布(条件分布与混合分布),以驱动从模块矫正从低质量数据中学到的知识。该框架还受益于一种跨一致性策略,可改善这些分布的矫正效果,以及一种时间相关的条件编码器,可丰富分布的多样性。在多个基准数据集上的大量实验表明,KRNet 优于当前最优的 COD 方法以及超分辨率辅助的 COD 方法,证明了其在应对低质量数据 COD 挑战方面的有效性。
引用
@article{arxiv.2503.22180,
title = {Knowledge Rectification for Camouflaged Object Detection: Unlocking Insights from Low-Quality Data},
author = {Juwei Guan and Xiaolin Fang and Donghyun Kim and Haotian Gong and Tongxin Zhu and Zhen Ling and Ming Yang},
journal= {arXiv preprint arXiv:2503.22180},
year = {2025}
}