.png){kind=icon}
返回
Frequency-aware Camouflaged Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1145/3545609.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
伪装物体检测 (COD) 很重要，因为它具有各种潜在的应用。与试图识别视觉上显著的对象的显著对象检测 (SOD) 不同，COD试图检测在视觉上与周围背景非常相似的对象。我们观察到，最近的COD方法尝试使用最初为SOD开发的某些上下文聚合策略来融合不同级别的特征。然而，这样的方法可能不适用于COD，因为这些现有的上下文聚合策略擅长检测独特的对象，同时削弱来自较少区分性对象的特征。为了解决这个问题，我们在本文中提出利用频率学习来抑制混乱的高频纹理信息，以帮助将伪装对象与周围背景分开，以及一种基于频率的方法，称为FBNet，用于伪装对象检测。具体来说，我们设计了一个频率感知上下文聚合 (FACA) 模块来抑制高频信息并从频率角度聚合多尺度特征，一个自适应频率注意 (AFA) 模块来增强学习到的重要频率分量的特征，和梯度加权损失函数来指导所提出的方法更加关注轮廓细节。实验结果表明，我们的模型优于相关的最先进的方法。
Keyword:
Camouflaged object detection
frequency learning
期刊
IF:
6
论文数:
2.0K
被引数:
5.4K
机构
引用论文
DMT: Dynamic mutual training for semi-supervised learningDMT: 半监督学习的动态互训练.png)
PATTERN RECOGNITION
OAAI
PATTERN RECOGNITIONIF7.6
OAAI分享收藏分享收藏
Developing Wind and/or Solar Powered Crop Irrigation Systems for the Great Plains为大平原开发风能和/或太阳能作物灌溉系统
PREAI
分享收藏 没有更多内容
没有更多内容