基于关键部位深度特征增强的图像伪装目标检测研究.pdf

摘要

伪装是自然界中生物生存的必备技能，常见的伪装方式主要有两种：一是生

物的颜色与环境具有高度的相似性，二是生物的颜色具有不一致性，形成破坏色。

从环境中正确地识别伪装目标是一件十分困难的事情，尤其是在大数据蓬勃发展

的今天，借助人力的伪装目标检测更是一项十分艰巨的任务。所以，通过计算机

视觉技术自动地从伪装图像中有效地检测出感兴趣的目标受到学术界和工业界

更多人们的关注。鉴于此，本文致力于图像伪装目标检测算法研究。其主要研究

内容如下：

1.基于边缘引导和特征渐进聚合的伪装目标检测网络

针对现有的模型通常忽略了特征表达和融合方法对特征融合时检测性能的

影响，导致在预测过程中经常出现的空间不一致性和边缘不精细等问题。提出了

一个基于边缘引导和特征渐进聚合的伪装目标检测网络（BoundaryGuidedand

FeatureProgressiveAggregatedCamouflageObjectDetectionNetwork，简称

BGFANet）。所提网络从特征提取和特征细化两个方面来改进提升图像伪装目标

检测的性能。在特征提取阶段，将能有效提取局部和全局上下文信息的视觉注意

[50]

网络VAN（VisualAttentionNetwork，简称VAN）作为特征提取的骨干网络。

在特征细化阶段，提出了边界识别模块、层内特征聚合模块和跨层特征聚合模块，

充分整合了对伪装目标检测非常重要的全局和局部上下文信息。从而得到完整的

具有精细边缘的伪装目标。在边界识别模块和跨层特征聚合模块中还引入了所设

计的多重注意力模块，可有效减少背景噪声的干扰。本文提出的模型与现有的高

性能伪装目标检测模型在四个公开数据集上进行对比，均实现了最优的检测性能。

2.基于注视引导和尺度感知增强的伪装目标检测网络

针对现有模型由于其对伪装目标的尺度感知能力较差而导致的漏检、误检等

问题，并且目前很少有人对具有高级语义的关键注视点伪装信息加以研究。同样

从改进网络的特征表达和融合方法出发，提出了一个基于注视引导和尺度感知增

强的伪装目标检测网络（FixationGuidedandScaleAwarenessEnhanced

CamouflageObjectDetectionNetwork，简称FGSENet）。所提网络使用了一个双

分支的编码器解码器联合学习框架，二值分割分支利用反向注意由注视定位分支

产生的关键注视点信息回归出分割结果。在编码器中，引入了图谱非局部块和全

维度动态卷机来分别提高模型的全局上下文感知能力和增强网络对局部细节特

征感知的敏感性。在解码器中，首先送入具有多种感受野的尺度感知增强模块，

使得网络具备感知目标尺度变化的能力。然后，通过所提的跨层特征融合模块来

渐进聚合层间的特征，以减少背景的干扰噪声并丰富特征的上下文信息。最后，

通过空洞金字塔池化模块进行尺度感知的进一步增强来得到最终的输出预测。本

文提出的模型同样与现有的伪装目标检测模型在四个公开数据集上进行对比，实

验表明所提方法也具有较强的竞争力。

关键词：深度学习，图像伪装目标检测，尺度感知增强，特征渐进聚合

Abstract

Camouflageisanessentials