对伪装物体检测的歧视性上下文感知网络
Chidiebere Somadina Ike1, Nazeer Muhammad2, Nargis Bibi3
1Department of Computing, Atlantic Technological University, Letterkenny, Ireland.
Frontiers in artificial intelligence
|April 11, 2024
概括
动物使用伪装来保护,但检测伪装的物体是具有挑战性的. 我们的歧视性上下文感知网络 (DiCANet) 通过增强特征表示和改进预测以获得更好的准确性来改进伪装对象检测 (COD).
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 动物利用伪装来生存,这给检测带来了挑战.
- 伪装对象检测 (COD) 旨在识别与背景混合的对象.
- 目前的COD方法因环境数据噪音而面临困难.
研究的目的:
- 引入一个新的网络,歧视性上下文意识网络 (DiCANet),用于增强伪装对象检测 (COD).
- 为了提高伪装物体检测的准确性和边界定义.
主要方法:
- 这是一个两阶段的方法,包括一个自适应恢复块和一个级联检测模块.
- 适应性恢复块优先考虑信息特征,以改善表示.
- 级联检测模块使用扩大的受体场进行精细的预测,无需后处理.
主要成果:
- 在基准COD数据集 (CAMO,CHAMELEON,COD10K) 上,DiCANet实现了最先进的性能.
- 该方法产生准确的突出地图,详细的上下文和精确的对象边界.
- 在不需要后处理步骤的情况下实现了性能.
结论:
- 迪卡网有效地解决了在复杂环境中检测伪装物体的挑战.
- 与现有方法相比,拟议的架构在COD任务中表现出优异的性能.
- 在基准数据集上的实验验验证了DiCANet创新方法的有效性.
