IJCAIMay, 2021

上下文感知的交叉级融合网络用于伪装目标检测

PDF
TL;DR本文提出了一种新颖的上下文感知交叉级融合网络（C2F-Net），可以解决伪装对象检测（COD）任务。C2F-Net 采用注意力引导的跨级融合模块（ACFM）和双分支全局上下文模块（DGCM）进行高层特征处理，并在三个广泛使用的基准数据集上进行了大量实验，实验结果表明我们的模型优于现有的最先进模型。
camouflaged object detectioncontext-aware cross-level fusion networkattention-induced cross-level fusion moduledual-branch global context modulestate-of-the-art models
发现论文，激发创造
  • 特征引入与干扰物感知的伪装物体检测

    本研究提出了一种新的特征融合和多干扰物注视的网络，用于解决融入环境中的伪装目标检测问题，并通过自行构建的 ACOD2K 数据集验证其性能。

    Jul, 2023

  • CoFiNet: 多尺度精细展示揭秘伪装物体

    提出了一种名为 CoFiNet 的新方法，专注于多尺度特征融合与提取，通过细节特征的有效分割来提高其对伪装对象的检测能力，同时采用粗到细的策略、多尺度特征集成模块、多激活选择核模块和双掩模策略等技术手段，在四个不同数据集上进行了全面实验，证明了 CoFiNet 在伪装对象检测方面的出色性能和广泛应用潜力。

    Feb, 2024

  • 自适应引导学习用于伪装对象检测

    本文提出了自适应引导学习网络（AGLNet），它是一种统一的可学习模型，用于在 CNN 模型中探索和调整不同的附加线索，以引导准确的伪装特征学习，并在不同的附加线索下实现了显著的性能改进。

    May, 2024

  • 深度唤醒：一种 RGB-D 伪装物体检测的深度 - 感知 - 注意力融合网络

    本文提出了一种新颖的深度感知注意力融合网络，利用深度图作为辅助输入，增强网络感知三维信息的能力，从而改善伪装物体检测。通过使用特定的编码器提取色彩和深度信息，并引入深度加权的交叉注意力融合模块来动态调整深度和 RGB 特征图的融合权重。最后，采用简单而有效的特征聚合解码器自适应地融合改进的聚合特征。实验表明，我们提出的方法在伪装物体检测方面具有显著的优势，进一步验证了深度信息在其中的贡献。

    May, 2024

  • 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

  • 协作伪装对象检测：大规模数据集和基准测试

    全文提供了对一项名为协作伪装目标检测（CoCOD）的新任务的全面研究，其目的是同时从一组相关图像中检测具有相同属性的伪装目标。为此，我们细致地构建了首个大规模数据集 CoCOD8K，该数据集包含 8528 张高质量且精选图像，带有目标遮罩注释，覆盖 5 个超类别和 70 个子类别。该数据集涵盖了各种自然和人工伪装场景，具有多样的目标外观和背景，因此对于 CoCOD 来说是一个非常具有挑战性的数据集。此外，我们提出了 CoCOD 的首个基准模型，名为双向分支网络（BBNet），该模型分别在单个图像内和图像组内探索和整合共伪装线索，以实现对给定图像中伪装目标的准确检测。这是通过一种图像间协作特征探索（CFE）模块、一种图像内目标特征搜索（OFS）模块和一种局部 - 全局细化（LGR）模块实现的。我们在提议的 CoCOD8K 数据集上对 18 种最先进的模型进行了性能评估，其中包括 12 种 COD 算法和 6 种 CoSOD 算法，采用了 5 种广泛使用的评估指标。广泛的实验表明了所提出方法的有效性以及与其他竞争方法相比显著更优越的性能。我们希望我们提出的数据集和模型能够促进 COD 社区的发展。该数据集、模型和结果将可在此网址获取: https://this-URL

    Oct, 2023

  • 频率感知网络的伪装物体检测

    通过在频域中在频域中使用可学习和可分离的频率感知机制，我们提出了一种能够在众多具有挑战性场景中准确检测到隐藏对象的方法，该方法包括频率引导的粗定位阶段和保持细节的精细定位阶段，并通过多级特征提取、优先引导校正和跨层特征通道关联等步骤实现校正和定位。与现有模型相比，我们提出的方法在三个流行的基准数据集上在定性和定量方面取得了有竞争力的性能。

    Aug, 2023

  • 2D 物体检测的多任务跨模态注意力融合

    提出两种新的雷达预处理技术，并引入了多任务跨模态注意融合网络（MCAF-Net）来进行目标检测，相对于现有的基于雷达和相机融合的目标检测算法具有更强的鲁棒性，特别是在恶劣的天气条件和夜间场景下。

    Jul, 2023

  • 重叠窗口的交叉级别注意力用于伪装物体检测

    我们提出了一种重叠窗口跨层级注意力（OWinCA）方法，通过在高级语义特征图和低级细节特征图上滑动对齐的窗口对低级特征进行增强，并通过简单卷积操作融合增强后的多层特征来实现准确的伪装对象检测（COD）。实验结果表明，我们的 OWinCANet 明显超过了当前最先进的 COD 方法。

    Nov, 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