.png){kind=icon}
返回
Bilateral decoupling complementarity learning network for camouflaged object detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113158.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有伪装目标检测方法已取得显著成果，然而，高度相似背景的干扰以及难以区分的目标边界仍影响检测精度。本文提出一种三阶段双通道解耦互补学习网络（BDCL-Net），用于探索如何利用多层级编码特征的优势以实现高质量推理。具体而言，所有侧输出特征被解耦为两个分支以生成三种互补特征。与以往聚焦于获取伪装目标和物体边界的方法不同，本文的物体建模阶段（包含全局定位流（GPF）模块和多尺度物体变形（MBW）模块）被部署以获取提供潜在伪装目标粗略定位的全局上下文特征，以及强调学习伪装对象中心区域的物体特征。细节保持阶段旨在生成关注边界周围区域的细节特征。因此，物体预测可避免高度相似背景的干扰，而细节预测可减少不平衡边界像素引起的误差。特征聚合阶段的互补特征集成（CFI）模块被设计为以交互学习方式融合这些互补特征。我们在四个公开数据集上进行了大量实验，以验证所提网络的有效性与优越性。代码可在 http://github.com/iuueong/BDCLNet 获取。
Keyword:
Camouflaged object detection
Decoupling
Complementarity learning
Feature grouping
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
分享收藏Robust outdoor human segmentation based on color-based statistical approach and edge combination
PREAI
分享收藏
查看更多内容