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

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。

May, 2021

本文提出了一种基于缩放网络的对象分割模型ZoomNet，采用缩放策略、混合尺度单元和层级混合尺度单元学习圈定隐藏目标并能够适应模糊的背景干扰，用不确定性感知损失提高模型在候选区域中的预测准确度，大幅超越其他23种最先进的模型，在SOD任务上也取得了最优效果。

Mar, 2022

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

通过数据级矛盾建模和任务级矛盾建模，引入不确定性感知学习流程，从而在突显物体检测和伪装物体检测任务中充分探索矛盾信息。为了更好地理解这两个任务的不确定性，我们广泛研究了不确定性估计技术，以实现对每个任务的困难区域进行有效估计和学习。实验结果表明，我们的解决方案在基准数据集上取得了最先进的性能和有意义的不确定性估计。

Jul, 2023

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

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

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

本研究针对伪装物体检测（COD）这一计算机视觉中的重要挑战，提供了最全面的回顾，涵盖了理论框架及实践贡献。通过研究多种COD方法，本论文揭示了现有模型的局限性，并提出了九个未来研究的前沿方向，旨在推动该领域的发展。

Aug, 2024

本研究解决了伪装物体检测中的长程依赖问题，提出了一种新的全球局部协同优化网络（GLCONet），能够同时建模局部细节和全局长范围关系，从而提高检测精度。实验结果表明，GLCONet在多个公共数据集上显著优于二十种最先进的方法，展示了其在生成高质量表示方面的潜力。

Sep, 2024