May, 2021

用于伪装目标分割的支流网络

PDF
TL;DR本文主要探索追踪伪装物体的图像分割问题，提供一个新的伪装物体数据集，提供了一种通用的端到端网络 ——Anabranch 网络，融合了分类和分割功能，采用多种全卷积网络评估其在新构建的数据集上的效果。
camouflaged object segmentationanabranch networkimage datasetclassificationsegmentation accuracy
发现论文，激发创造
  • 少样本伪装动物检测和分割

    本文针对计算机视觉中的新颖而具有挑战性的课题 —— 伪装物体的检测和分割，提出了一种新的 few-shot learning 方法，包括构建 CAMO-FS 数据集、提出实例三元组损失和实例内存存储等，最终在新构建的数据集上实现了业内最佳的检测和分割性能。

    Apr, 2023

  • MirrorNet: 生物启发型伪装物体分割

    本文提出了一种新颖的仿生网络 MirrorNet，利用实例分割和镜像流进行伪装物体分割，具有两个分割流：主流和镜像流，通过对主流结果与镜像流结果的融合，提高了伪装物体分割的精度，在公共 CAMO 数据集上的实验证明了其有效性，本文所提出的方法在准确率方面达到了 89％，优于现有技术。

    Jul, 2020

  • 一个仿生三阶段模型用于伪装目标检测

    本文提出了一种基于人眼视觉感知的三阶段模型，它可以在单次迭代中进行粗到细的分割，并采用了多尺度特征增强和边界增强模块。此外，还使用了掩码引导并结合了粗略预测图与高分辨率特征图来生成细致的结果。我们的网络表现优于现有 CNN 模型，降低了计算开销并减轻了背景噪声干扰。

    May, 2023

  • 边界引导伪装物体检测

    我们提出了一种边界引导网络（BGNet）来进行伪装目标检测，该方法在三个数据集上都比现有技术高出很多，并利用边缘语义来引导特征学习，从而促进精确边界定位的伪装目标检测。

    Jul, 2022

  • 同时定位、分割和排列伪装物体

    本研究通过建立 Rank-Net 模型，结合 camouflaged object detection 技术和 conspicuousness 的概念，来探讨动物进化中的 Camouflage 技术，并提出一个可以定位、分割和排名 Camouflaged 目标的方法。实验结果表明，该模型取得了新的最先进水平，使 Camouflaged 目标的检测更具可解释性。

    Mar, 2021

  • 运动背叛：通过运动分割发现伪装的物体

    设计了一种计算机体系结构，利用运动信息进行物体分割以发现视频中的伪装对象，并在大规模的 MoCA 视频数据集上证明了其有效性。

    Nov, 2020

  • 野外伪装实例分割：数据集、方法和基准套件

    本论文针对解决含有迷彩物区域的图像分解为有意义的组件，即迷彩实例分割，引入了一个名为 CAMO++ 扩展版的数据集，数量和多样性均超越了之前的 CAMO 数据集，我们提供了一个基准套件，对迷彩实例分割问题进行评估，并提供了名称为 Camouflage Fusion Learning 的框架，通过实验表明我们的方法优于现有的最佳方法。

    Mar, 2021

  • 纹理感知深度特征用于伪装对象检测

    本文介绍一种用于伪装物体检测的深度卷积神经网络，通过使用多个纹理感知优化模块来放大伪装物体和背景之间的微小纹理差异，其中纹理感知优化模块计算特征响应的协方差矩阵来提取纹理信息，采用亲和力损失和边缘一致性损失来分离伪装物体和背景之间的纹理，并通过实验结果验证了该方法的有效性。

    Feb, 2021

  • 无监督伪装目标分割作为领域适应

    本研究探讨了深度学习在无监督图像分割中的应用，特别关注了自适应伪标签生成和无监督领域自适应任务，并提出了用于无监督伪标签自适应的前景 - 背景对比自对抗域自适应流程，能够更好地实现伪标签生成和图像分割。

    Aug, 2023

  • 镜像网络在伪装物体检测中的边缘感知

    现有的边缘感知伪装物体检测方法通常在早期阶段输出边缘预测，然而，边缘是后续分割任务中的重要且基本因素。为了解决这个问题，我们提出了一种新颖的边缘感知镜像网络（EAMNet），将边缘检测和伪装物体分割建模为交叉优化过程。实验结果表明，EAMNet 在三个广泛使用的伪装物体检测数据集中优于现有的最先进基线方法。

    Jul, 2023