.png){kind=icon}
返回
Context-aware and edge-refinement network for camouflaged object detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.134588.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
伪装目标检测（COD）旨在准确分割视觉上融入周围环境的目标。尽管取得了一些进展，但COD仍因三个主要因素而具有挑战性。首先，伪装目标通常表现出各向异性结构连续性，而传统的各向同性感受野往往会引入来自无关背景区域的过度响应。其次，轻量级架构的有限通道容量使其在跨尺度融合过程中容易受到层次特征污染。第三，现有的边界细化策略通常忽略高层语义特征和低层空间特征的独特作用，导致边界定位次优。为解决这些挑战，我们提出了一种轻量级的上下文感知和边缘细化网络（CENet）。具体而言，我们设计了一个上下文感知特征融合（CFF）模块，采用跨轴大核条带卷积进行方向感知的上下文聚合，使特征提取与各向异性伪装模式对齐。此外，引入了一种选择性半通道相邻层融合策略，以抑制跨尺度特征传播过程中的层次特征污染。此外，我们开发了一个边缘引导细化（EGR）模块，以改善边界定位。所提出的模块利用层次特征表示中的固有语义不对称性，在高层语义阶段进行背景抑制，在低层空间阶段进行轮廓增强。这种不对称细化策略有效缓解了伪装场景中的边界模糊问题。在多个基准数据集上的大量实验表明，CENet仅使用14.05M参数、9.89G FLOPs，并以72.44 FPS的推理速度实现了有竞争力的性能。此外，所提出的框架在应用于息肉分割和工业缺陷检测任务时表现出强大的泛化能力。我们的代码可在https://github.com/yeqian1961/CENet获取。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
分享收藏Progressive edge-aware multi-scale fusion network for camouflaged object detection渐进式边缘感知多尺度融合网络用于伪装目标检测
PREAI
分享收藏Two guidance joint network based on coarse map and edge map for camouflaged object detection.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
Camouflaged Object Segmentation Based on Matching-Recognition-Refinement Network基于匹配-识别-细化网络的伪装目标分割
PREAI
分享收藏
查看更多内容