功能 分割和聚合网络用于伪装物体检测
Zejin Zhang1, Tao Wang1, Jian Wang1,2
1HDU-ITMO Joint Institute, Hangzhou Dianzi University, Hangzhou 310018, China.
Journal of imaging
|January 22, 2024
概括
一个新的框架FSANet通过模拟人类视觉处理来增强伪装物体检测 (COD). 该模型通过结合空间细节和跨尺度特征,有效地识别微妙的物体,优于现有的方法.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 伪装物体检测 (COD) 系统面临着由于物体背景鲜明度较低的挑战.
- 现有的检测系统需要更高的标准来准确识别微妙的物体.
研究的目的:
- 引入FSANet,这是一个用于伪装物体检测的新型框架.
- 模拟人类视觉机制,以改善伪装检测.
主要方法:
- FSANet集成了空间细节挖掘 (SDM),跨度特征组合 (CFC) 和层次特征聚合解码器 (HFAD).
- 该框架处理了五个特征层,模拟了从肤浅检查到详细分析的人类视觉阶段.
- 新的运算,如侧关节乘法和元素智能乘法,用于保存细节和降低噪音.
主要成果:
- 与19种基于深度学习的方法相比,FSANet表现优越.
- 该框架在四个公共COD数据集上实现了七个广泛使用的指标的明显优势.
结论:
- 通过深度挖掘功能和将低级别细节与高级别语义融合,FSANet有效地改善了伪装图的生成.
- 拟议的框架在伪装物体检测方面显示出显著的有效性和优越性.
