.png){kind=icon}
返回
FSTNet: frequency-spatial transformer network for camouflaged object detection
.png){kind=icon}
PRE
AI
DOI：10.1186/s13634-026-01304-4.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）是计算机视觉领域的一项挑战性任务，旨在准确分割和定位与周围环境高度相似的目标。现有方法通常难以有效捕捉伪装目标与背景之间的细微差异，特别是在复杂场景中表现较差。为解决上述问题，本文提出了一种新颖的频域-空间变换网络（FSTNet）。该网络首先使用预训练的PVTv2作为骨干网络提取多级特征，然后通过创新设计的多尺度特征聚合（MSFA）模块同时捕捉空间和频域中的丰富信息。此外，本文设计了多尺度变换融合（MSTF）模块，利用小波变换和Transformer解码器高效融合不同尺度的特征表示。最后，通过小波增强特征集成模块（WFIM）对特征进行细化，生成最终的伪装目标预测结果。在四个公开基准数据集上的大量实验表明，所提出的FSTNet在平均绝对误差、增强对齐度量、结构度量和平均F度量等多个评估指标上优于10种现有最先进方法。此外，详细的消融实验进一步验证了网络各关键组件的有效性。可视化结果展示，所提方法在处理小目标、多目标和与背景高度相似的目标等挑战性场景时具有显著优势。
Keyword:
COD
Image segmentation
Object detection
期刊
E
IF:
1.9
论文数:
74
被引数:
3.0K
机构
引用论文
.png){kind=icon}
分享收藏分享收藏STWANet: Spatio-Temporal Wavelet Attention Aggregation Network for Remote Sensing Change DetectionSTWANet: 遥感变化检测的空间-时间小波注意力聚合网络
OAAI
OAAI分享收藏分享收藏Texture segmentation by multiscale aggregation of filter responses and shape elements通过滤波器响应和形状元素的多尺度聚合进行纹理分割
OAAI
OAAI分享收藏Automatic Detection and Classification System of Domestic Waste via Multimodel Cascaded Convolutional Neural Network基于多模型级联卷积神经网络的生活垃圾自动检测分类系统OAAI
OAAI分享收藏
查看更多内容