检索结果-南通市图书馆

维普期刊数据库博看期刊

基于通道注意力和边缘融合的伪装目标分割方法

在线全文

学校读者我要写书评

暂无评论

计算机应用 2023年第7期43卷 2166-2172页

作者：詹春兰王安志王明辉贵州师范大学大数据与计算机科学学院贵阳550025 四川大学计算机学院成都610065

伪装目标分割(COS)的目标是从背景中分离出隐藏的目标对象。近年来,基于卷积神经网络(CNN)的伪装目标检测(COD)发展迅速,然而仍存在无法从前/背景高度相似的场景中准确地检测出完整目标对象的问题。针对上述问题,提出一种基于通道注意力... 详细信息

伪装目标分割(COS)的目标是从背景中分离出隐藏的目标对象。近年来,基于卷积神经网络(CNN)的伪装目标检测(COD)发展迅速,然而仍存在无法从前/背景高度相似的场景中准确地检测出完整目标对象的问题。针对上述问题,提出一种基于通道注意力(CA)和边缘融合的COS方法CANet(Network based on Channel Attention and edge fusion),以得到伪装目标的边缘细节更清晰的完整分割结果。首先,引入压缩和激励(SE)注意力模块,以提取更丰富的高级语义特征;其次,提出一个边缘融合模块,抑制低级特征中的干扰,并充分利用图像的边缘细节信息;最后,设计了基于深度可分离卷积的通道注意力模块,以自上而下的方式逐步融合跨级的多尺度特征,进一步地提升检测精度和效率。在多个公开的COD数据集上的实验结果表明,相较于SINet(Search Identification Net)、TINet(Textureaware Interactive guidance Network)和C2FNet(Context-aware Cross-level Fusion Network)等8种主流的方法,CANet表现更佳,且能够获取到丰富的伪装目标内部及边缘细节信息,而且在具有挑战性的COD10K数据集上结构度量指标相较于SINet提升了2.6个百分点。CANet性能优越,适用于医学上检测与人体组织相似的病灶区域、军事领域检测隐蔽目标等相关领域。

关键词：伪装目标分割边缘融合压缩和激励注意力模块深度可分离卷积多尺度特征

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

基于多级特征融合的伪装目标分割

计算机工程与应用 2022年第18期58卷 268-276页

作者：付炳阳曹铁勇郑云飞方正王杨王烨奎陆军工程大学指挥控制工程学院南京210007 陆军炮兵防空兵学院南京校区火力系南京211100 安徽省偏振成像与探测重点实验室合肥230031

在伪装目标分割任务中,如何提取深度模型下高分辨率的目标语义特征是构建目标分割模型的关键。针对此问题,提出了一种基于多级特征融合的伪装目标分割方法。在特征编码过程中,引入多级门控模块对Res2Net-50的多级中间层特征进行选择性融... 详细信息

在伪装目标分割任务中,如何提取深度模型下高分辨率的目标语义特征是构建目标分割模型的关键。针对此问题,提出了一种基于多级特征融合的伪装目标分割方法。在特征编码过程中,引入多级门控模块对Res2Net-50的多级中间层特征进行选择性融合,有效过滤各级特征图的干扰信息;在解码过程中,通过自交互残差模块驱动不同尺度的编码特征实现交叉融合,获得更准确的目标表示信息。此外,在交叉熵损失的基础上加入Dice损失形成联合损失函数,帮助模型更精准地分割伪装目标。实验结果证明,在背景复杂的迷彩伪装数据集以及三个常用自然伪装数据集上,相比其他典型模型,该模型表现出更好的分割效果。

关键词：深度学习伪装目标分割特征融合门控机制多尺度特征

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

可见光条件下伪装目标智能化分割算法综述

火箭军工程大学学报

火箭军工程大学学报 2024年第2期38卷 72-87页

作者：蔡伟高蔚洁蒋昕昊王鑫狄星雨火箭军工程大学

对可见光下的伪装目标分割（Camouflage Objects Segmentation,COS）算法的国内外研究现状进行了梳理。首先，将COS的26个模型分为多阶段学习、联合辅助任务和引入额外先验信息3类，阐述了这3类方法的核心思想及各自的优势和不足；其次... 详细信息

对可见光下的伪装目标分割（Camouflage Objects Segmentation,COS）算法的国内外研究现状进行了梳理。首先，将COS的26个模型分为多阶段学习、联合辅助任务和引入额外先验信息3类，阐述了这3类方法的核心思想及各自的优势和不足；其次，详细介绍了COS常用的4个评价指标和8个公共数据集；然后，在3个公共数据集上对这些模型进行定量、定性的分析评估；最后，介绍了COS的主要应用领域，指出了现有算法的局限性，并对COS未来的研究方向进行了探讨。

关键词：伪装目标分割深度学习多阶段学习辅助任务先验信息

基于集中注意力接受场网络的偏振成像伪装目标检测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

计算机应用研究 2024年第9期41卷 2854-2859页

作者：徐国明陈奇志刘綦马健王峰安徽大学互联网学院合肥230039 安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601 偏振光成像探测技术安徽省重点实验室合肥230031

针对伪装物体分割中图像识别鲁棒性较差、模型泛化性不强的问题,受神经科学中人类视觉系统接受场结构的启发,提出一种基于集中注意力接受场网络的偏振成像伪装目标检测方法。根据偏振成像目标探测需要,构建了能有效遏制背景噪声以及获... 详细信息

针对伪装物体分割中图像识别鲁棒性较差、模型泛化性不强的问题,受神经科学中人类视觉系统接受场结构的启发,提出一种基于集中注意力接受场网络的偏振成像伪装目标检测方法。根据偏振成像目标探测需要,构建了能有效遏制背景噪声以及获取目标细节特征的偏振成像数据集。该方法基于识别与定位网络框架,通过改进特征提取模块和解码器模块,该模块利用了偏心度和感受野大小之间的关系,涵盖多尺度的目标信息,可以有效提高伪装目标特征的可分辨性和鲁棒性。实验验证利用自建数据集在多个典型目标上进行,并与经典算法进行分割结果的主观视觉与客观评价指标对比,对比实验结果验证了该方法的有效性。

关键词：偏振成像伪装目标分割机器视觉卷积神经网络数据集

维普期刊数据库