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

本文提出了一个基于卷积网络进行分类、定位和检测的综合框架，展示了如何在 ConvNet 中高效实现多尺度和滑动窗口方法，并通过学习预测目标边界来实现定位，最后释放了我们最佳模型的特征提取器 OverFeat。

Dec, 2013

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

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

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

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

本文提出了一种因果关系注意力模块，通过自我注释来识别难以预测的混淆变量，从而使深度学习模型更好地处理在分布不同的情况下仍具备鲁棒性的因果特征，不仅解决了监督注释需要高昂成本、混淆变量难以抽象提取等问题，并在相应实验中得到了卓越的结果。

Aug, 2021