用于伪装物体检测的回溯记忆
计算机视觉与模式识别
2025-06-19 v1
摘要
伪装物体检测（COD）主要聚焦于从复杂场景中学习细微且具辨识度的表征。现有方法主要基于静态视觉表征建模的可参数化前馈架构，但缺乏获取历史语境的显式机制，限制了其在处理具有挑战性伪装场景时的适应性和效果。本文提出一种调召-增强 COD 架构，称为 RetroMem，通过整合相关历史知识动态调制伪装模式感知和推理。具体而言，RetroMem 采用学习阶段和调召阶段两个阶段的训练范式，用于有效构建、更新和利用记忆表征。在学习阶段，我们设计了密集多尺度适配器（DMA），以极少的可训练参数提升预训练编码器捕获丰富多尺度视觉信息的能力，从而提供基础推理。在调召阶段，我们提出动态记忆机制（DMM）和推理模式重构（IPR），充分利用所学习知识与当前样本语境之间的潜在关系，用于重构伪装模式的推理，从而显著提升模型对伪装场景的理解。广泛的实验表明，RetroMem 在多个广泛使用的数据集上显著优于现有最先进的方法。
引用
@article{arxiv.2506.15244,
title = {Retrospective Memory for Camouflaged Object Detection},
author = {Chenxi Zhang and Jiayun Wu and Qing Zhang and Yazhe Zhai and Youwei Pang},
journal= {arXiv preprint arXiv:2506.15244},
year = {2025}
}