基于边缘增强和特征融合的伪装目标分割
伪装目标分割的任务是使用像素级分割掩码将与背景高度相似的目标进行准确分类和定位,与传统的目标分割任务相比更具挑战性.针对目标与周围环境高度相似、边界模糊、对比度低等问题,构建了一种基于边缘增强和特征融合的伪装目标分割方法.首先,设计了一组边缘提取模块,能够更准确地分割有效的边缘先验.之后,引入了多尺度特征增强模块和跨层级特征聚合模块,分别挖掘层内与层间的多尺度上下文信息.提出了一种简单的层间注意力模块,利用相邻层级间的差异有效滤除融合后存在的干扰信息.最后,通过将各级特征图与边缘先验逐级结合的方式,获得准确的预测结果.实验结果表明,在4个伪装目标基准数据集上,该模型的表现都优于其他算法.其中加权F值提升了2.4%,平均绝对误差减少了7.2%,在RTX 2080Ti硬件环境下分割速度达到了44.2 FPS.与现有方法相比,该算法能够更准确地分割伪装目标.
深度学习、伪装目标、图像分割、边缘特征、特征融合
39
TP391.4(计算技术、计算机技术)
2024-02-01（万方平台首次上网日期，不代表论文的发表时间）
共11页
48-58
