相互代改进网络,用于Scribble监督的伪装物体检测

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) 很困难,因为物体和背景之间具有很高的视觉相似性.
• 传统的COD方法需要昂贵的像素级注释.
• 拼写监督的COD (SSCOD) 提供了使用稀疏注释的更有效的替代方案.

研究的目的:

• 解决SSCOD的挑战,包括纠的特征和尺度变化问题.
• 提出一个新的网络,MIR-Net,以改善在弱监督下伪装物体的检测.
• 为了提高COD模型的稳定性和准确性,使用最小的注释.

主要方法:

• 开发了具有跨行业相互精炼机制的相互代精炼网络 (MIR-Net).
• 引入了背景驱动的前景特征增强 (BFFE) 和前景驱动的后景特征增强 (FBFE) 模块.
• 整合了尺度不变一致性 (SIC) 损失,以提高不同物体尺度的稳定性.

主要成果:

• 在SSCOD.的CAMO,COD10K和NC4K数据集上,MIR-Net实现了最先进的性能.
• 超越了基于完全监督的卷积神经网络 (CNN) 的模型.
• 与完全监督的基于变压器的方法相比,已经证明了竞争性表现.

结论:

• 通过使用弱监督,MIR-Net有效地解开和增强前景和背景特征.
• 拟议的方法显著提高了COD的准确性和稳定性,以适应尺度变化.
• MIR-Net显示出强大的潜力,可以在具有有限注释的现实应用中推进伪装物体检测.