.png){kind=icon}
返回
Knowledge-guided and Collaborative Learning Network for Camouflaged Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.engappai.2025.110771.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）任务比其他目标检测任务更具挑战性，因为其面临着复杂且多变的轮廓、尺度多样性和与背景高度相似等难题。此外，为了追求更优的检测性能，大多数现有COD方法通常需要大量参数和较高的计算复杂度，这无疑增加了实现难度和成本。本文通过重新审视这一困难任务，发现显式提取边缘知识与全局语义的协同效应能够更突出伪装区域，并显著影响检测效率。我们提出了一种更直观且高效的COD网络，即知识引导协同学习网络（KCNet）。该网络通过引入包含大量边缘知识和全局语义的粗糙特征，以应对更复杂的伪装目标，并与其他组件进行充分交互和协同学习。具体而言，我们通过设计知识引导定位模块，逐步将初步感知单元获取的粗糙特征引入各层；其次，设计细节增强模块以强化深层语义信息中细节部分的提取；最后，采用卷积解码单元输出完整的伪装目标预测信息。广泛的实验结果表明，我们的模型在四个具有挑战性的数据集上达到了当前最优水平，超越了22种现有的先进模型。同时，KCNet表现出参数量少、计算复杂度低和推理速度极具竞争力等优势，均优于现有方法。代码已发布于https://github.com/wd61419/KCNet。
Keyword:
Camouflaged Object Detection
Edge knowledge
Global semantics
Multiple attention mechanism
期刊
IF:
8
论文数:
5.8K
被引数:
3.5W
机构
引用论文
.png){kind=icon}
分享收藏ECA-Net: Efficient Channel Attention for Deep Convolutional Neural NetworksEca-net: 深度卷积神经网络的高效信道关注
OAAI
OAAI分享收藏
查看更多内容