SLENet：用于水下伪装目标检测的引导增强网络
计算机视觉与模式识别
2025-09-08 v2
摘要
水下伪装目标检测（UCOD）旨在识别融入水下环境的目标。该任务对海洋生态学至关重要，但目前仅有有限探索，准确识别严受光学失真、水体浑浊以及海洋生物复杂特征的阻碍。为此，我们提出 UCOD 任务，构建 DeepCamo 数据集。我们还提出语义局限化与增强网络（SLENet），作为 UCOD 的新型框架。首先在 DeepCamo 上评估了最新 COD 模型，揭示关键问题，此后构建 SLENet。具体而言，我们引入 Gamma-Asymmetric Enhancement（GAE）模块和定位引导分支（LGB），以增强多尺度特征表示，同时生成包含全局语义信息的定位图。该图引导多尺度监督解码器（MSSD）生成更精确预测。在我们的 DeepCamo 数据集和三个 COD 数据集基准上实验表明，SLENet 在 SOTA 方法上取得优异性能，凸显其在更广泛 COD 任务中的高普适性。
引用
@article{arxiv.2509.03786,
title = {SLENet: A Guidance-Enhanced Network for Underwater Camouflaged Object Detection},
author = {Xinxin Huang and Han Sun and Ningzhong Liu and Huiyu Zhou and Yinan Yao},
journal= {arXiv preprint arXiv:2509.03786},
year = {2025}
}
备注
14pages, accepted by PRCV2025