计算机科学>计算机视觉和模式识别
职务: 边界制导伪装目标检测
摘要: 伪装目标检测(COD)是一项很有价值但很有挑战性的任务,它可以分割出与周围环境完美融合的目标。 现有的深度学习方法往往难以准确识别具有完整精细对象结构的伪装对象。 为此,本文提出了一种用于伪装目标检测的新型边界引导网络(BGNet)。 我们的方法探索了有价值的和与对象相关的额外边缘语义来指导COD的表示学习,这迫使模型生成突出对象结构的特征,从而促进伪装对象检测的准确边界定位。 在三个具有挑战性的基准数据集上进行的大量实验表明,在四个广泛使用的评估指标下,我们的BGNet显著优于现有的18种最先进的方法。 我们的代码可在以下网址公开获取: 此https URL .