混合递归精细化网络用于伪装物体检测
Hailong Chen1, Xinyi Wang1, Haipeng Jin1
1School of Computer Science and Technology, Harbin University of Science and Technology, Harbin 150080, China.
Journal of imaging
|September 26, 2025
概括
这项研究引入了一种新的混合深度学习模型,用于伪装物体检测 (COD). 新的架构有效地结合了卷积神经网络 (CNN) 和变压器,以改善隐藏对象的检测.
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:
- 伪装物体检测 (COD) 由于微妙的纹理和语义模糊性而具有挑战性.
- 现有的卷积神经网络 (CNN) 或变压器模型在不完整的特征表示和边界细节丢失方面扎.
研究的目的:
- 为改进伪装物体检测开发一种创新的混合架构.
- 为了提高特征表示和边界细节的准确性,检测隐藏的物体.
主要方法:
- 提出了一个混合架构,集成CNN和变形金刚.
- 设计了一个混合功能融合模块 (HFFM) 来协调层次特征.
- 设计了一种联合递归解码器 (CRD),用于自适应性特征聚合和多尺度细节捕获.
- 引入了前景背景选择 (FBS) 模块,用于逐渐细化轮和消除背景.
主要成果:
- 混合架构在四个公共COD数据集 (CHAMELEON,CAMO,COD10K,NC4K) 上实现了最先进的性能.
- 拟议的模块 (HFFM,CRD,FBS) 显著提高了表示质量和结构细节的捕获.
- 该方法在精确检测和划分伪装物体方面表现出卓越的性能.
结论:
- 拟议的混合CNN-变压器模型在伪装物体检测方面取得了重大进展.
- 不同网络优势的协同集成克服了个人架构的局限性.
- 这种方法为精确识别复杂,模两可的背景中的物体提供了强大的解决方案.