MFFN：用于伪装目标检测的多视角特征融合网络
计算机视觉与模式识别
2022-10-20 v3
摘要
近期关于伪装目标检测（COD）的研究旨在分割隐藏于复杂环境中的高度隐蔽目标。微小、模糊的伪装目标导致视觉上难以区分的特性。然而，当前的单视角COD检测器对背景干扰物敏感。因此，单视角检测器难以充分捕捉伪装目标模糊的边界与多变的形状。为克服这些障碍，我们提出一种受行为启发的框架，称为多视角特征融合网络（MFFN），其模拟人类在图像中寻找不明显目标的行为，即从多个角度、距离、视角进行观察。具体而言，其背后的关键思想是通过数据增强生成多种观察方式（多视角）并作为网络输入。MFFN通过比较与融合提取的多视角特征来捕获关键的边界与语义信息。此外，我们的MFFN利用了视角与通道之间的依赖与交互。具体地，我们的方法通过称为多视角协同注意力（CAMV）的两阶段注意力模块来利用不同视角间的互补信息。并且我们设计了一个称为通道融合单元（CFU）的局部-整体模块，以迭代方式探索不同特征图的通道级上下文线索。实验结果表明，在相同数据训练下，我们的方法优于现有的最先进方法。代码将发布于 https://github.com/dwardzheng/MFFN_COD。
引用
@article{arxiv.2210.06361,
title = {MFFN: Multi-view Feature Fusion Network for Camouflaged Object Detection},
author = {Dehua Zheng and Xiaochen Zheng and Laurence T. Yang and Yuan Gao and Chenlu Zhu and Yiheng Ruan},
journal= {arXiv preprint arXiv:2210.06361},
year = {2022}
}
备注
In Proceedings of the 2023 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV)