SurANet：基于高度高效交互式对比学习策略的包围感知网络用于隐蔽目标检测
计算机视觉与模式识别
2024-10-10 v1
摘要
隐蔽目标检测（COD）在杂乱场景中对于各种图像处理应用至关重要。然而，由于隐蔽目标始终与其背景相似，极难进行区分。主要障碍在于目标内部边界区域与外部边界区域之间的细微特征差异，这使得现有 COD 方法难以实现准确结果。在本文中，我们考虑到周围环境信息可被有效利用来识别隐蔽目标，因此提出了一种新型深度包围感知网络，称为 SurANet，用于 COD 任务，通过引入周围信息来增强特征提取和损失函数，以提高辨识度。首先，我们通过周围特征的差分融合来增强特征图的语义，从而突出显示隐蔽目标。接着，应用包围感知对比损失，通过对比学习周围特征图来识别隐蔽目标。然后，经过我们对特征动力学的调查，并通过我们提出的空间压缩相关传输策略，SurANet 可以实现高效的端到端训练。大量实验表明，这些特征可以分别良好地保留。最终，实验结果表明，所提出的 SurANet 在多个真实数据集上超过了当前的 COD 方法。我们的源代码将在 https://github.com/kyh433/SurANet 上提供。
引用
@article{arxiv.2410.06842,
title = {SurANet: Surrounding-Aware Network for Concealed Object Detection via Highly-Efficient Interactive Contrastive Learning Strategy},
author = {Yuhan Kang and Qingpeng Li and Leyuan Fang and Jian Zhao and Xuelong Li},
journal= {arXiv preprint arXiv:2410.06842},
year = {2024}
}