.png){kind=icon}
返回
Multi-task information propagation network for camouflaged object detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.dsp.2025.105172.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）旨在发现嵌入背景中的伪装物体。然而，大多数现有的COD方法仅关注提取单任务特征进行推理，并依赖相对简单的监督数据，这限制了其在实际部署中的泛化能力。为应对这些挑战，我们设计了一种新颖的伪装目标检测框架——多任务信息传播网络（MIP-Net）。在特征提取阶段，多任务特征提取模块（MFEM）学习能够保留边界、纹理和物体信息的多任务特征表示，以增强COD性能。在特征融合编码阶段，跨级多任务融合传播（CMFP）模块有效整合了不同层级的多任务特征，自适应地为编码器特征加权，使解码器接收更多有效信息以改善COD结果。在特征解码推理阶段，跨层渐进式细化模块（CSRM）捕获跨层特征的可补充性，进一步优化最终推理结果。我们在四个基准数据集（CHAMELEON、CAMO、COD10K和NC4K）上进行了全面实验。综合结果表明，所提出的MIP-Net框架优于现有方法，展示了其有效性和鲁棒性。
Keyword:
Camouflaged object detection
Swin transformer
Multi-task learning
Feature fusion
Feature propagation
期刊
IF:
3.6
论文数:
10.0K
被引数:
1.7W
机构
引用论文
Integrating multi-level deep learning and concept ontology for large-scale visual recognition集成多层次深度学习和概念本体的大规模视觉识别.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
分享收藏分享收藏分享收藏
查看更多内容