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

本文提出了一种简单而有效的基于 Vision Transformer（ViT）的网络（SENet），通过采用一种基于不对称 ViT 的编码器 - 解码器结构的简单设计，在隐藏目标检测和显著目标检测两个任务上取得了有竞争力的结果，在精细设计的复杂网络上展现出更大的多样性。

Feb, 2024

本研究旨在通过多任务学习方式训练一个网络实现视觉注意力，使用半监督学习方式生成前 / 背景分割标签，进而训练目标检测模型，利用分割地图实现自我注意机制，获得在交通监控领域两个数据集上显著的 mAP 改进，UA-DETRAC 和 UAVDT 数据集上均实现了最先进的结果。

Feb, 2020

提出了一种名为 COSNet 的新型网络，用于表示全局视角下的无监督视频对象分割任务，其中利用全局注意机制结合视频帧之间的相关性，训练效果超越当前的深度学习方法。

Jan, 2020

我们提出了一种有效的统一协同金字塔网络用于实现对伪装物体的检测，通过模拟人类行为中的缩放策略来学习具有辨别能力的多尺度语义，并利用富含的粒度感知单元来充分探索候选物体和背景环境之间的不可察觉线索，并结合不确定性意识损失来增强对候选区域的高置信度预测，该方法在图像和视频伪装物体检测基准中始终优于现有的最先进方法。

Oct, 2023

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

该论文提出了一个名为 UFO 的统一框架，通过引入自注意机制和内部 MLP 学习模块，结合图像的空间信息和特征相似性，实现了针对协同分割、协同显著性检测和视频显著性对象检测的多任务单一网络架构，实验结果表明，该方法在精度和速度方面均优于现有方法。

Mar, 2022

本文提出了两种方法，自我监督和节俭学习，并将它们应用于追踪隐蔽对象的任务，实验结果表明，通过自我监督方法可以实现与完全监督的节俭学习相似的性能。

Jun, 2024

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