.png){kind=icon}
返回
Weakly supervised camouflaged object detection as Progressive Perception Learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113993.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
涂鸦监督伪装物体检测（SCOD）旨在利用稀疏和粗糙的涂鸦注释作为弱监督，检测无缝融入周围环境的伪装物体。然而，现有的SCOD方法存在两大固有缺陷。首先，像素训练样本的弱丰富性（WRPS）阻碍了鲁棒的伪装物体感知学习，因为涂鸦注释提供的像素级监督不足。其次，伪装物体结构完整性差（PSIO）使得直接结构学习不可行，导致分割不精确。为解决这些挑战，我们提出了渐进式感知学习（PPL）框架，该框架采用PPL优化函数，结合三个关键组件——线索引导区域恢复模块（CGRRM）、语义交互精化融合模块（SIRFM）和全局感知模块（GPM），逐步增强像素级感知、语义对齐和全局理解。具体而言，CGRRM通过基于稀疏涂鸦注释引导关键区域恢复，改进物体定位。SIRFM精化低级空间特征与高级语义信息之间的交互。GPM捕获图像的全局长距离依赖关系，在提供全局理解的同时保留局部细节。此外，我们设计了特征对齐融合模块（FAFM）以进一步精化结构对齐。大量实验表明，我们的方法优于现有的SCOD最先进方法，并与几种全监督方法具有竞争力。我们的代码和数据可在以下网址获取：https://github.com/NGI-vision/PPL。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
分享收藏Deep learning based active learning technique for data annotation and improve the overall performance of classification models基于深度学习的数据标注主动学习技术，提高分类模型的整体性能
PREAI
分享收藏分享收藏分享收藏分享收藏
查看更多内容