基于递进式特征增强聚合的伪装目标检测

doi:10.11772/j.issn.1001-9081.2021060900

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (7): 2192-2200.DOI: 10.11772/j.issn.1001-9081.2021060900

所属专题：多媒体计算与计算机仿真

• 多媒体计算与计算机仿真 • 上一篇下一篇

基于递进式特征增强聚合的伪装目标检测

谭湘粤¹, 胡晓²(), 杨佳信¹, 向俊将¹

^1.广州大学电子与通信工程学院，广州 510006
^2.广州大学机械与电气工程学院，广州 510006

收稿日期:2021-06-03 修回日期:2021-08-01 接受日期:2021-08-06 发布日期:2021-08-01 出版日期:2022-07-10
通讯作者: 胡晓
作者简介:谭湘粤（1998—），女，湖南衡阳人，硕士研究生，主要研究方向：深度学习、伪装目标检测
杨佳信（1996—），男，广东揭阳人，硕士研究生，主要研究方向：深度学习、显著性目标检测
向俊将（1996—），男，湖南益阳人，硕士研究生，主要研究方向：视频分析、目标检测。
基金资助:
国家自然科学基金资助项目(62076075)

Camouflaged object detection based on progressive feature enhancement aggregation

Xiangyue TAN¹, Xiao HU²(), Jiaxin YANG¹, Junjiang XIANG¹

^1.School of Electronics and Communication Engineering，Guangzhou University，Guangzhou Guangdong 510006，China
^2.School of Mechanical and Electrical Engineering，Guangzhou University，Guangzhou Guangdong 510006，China

Received:2021-06-03 Revised:2021-08-01 Accepted:2021-08-06 Online:2021-08-01 Published:2022-07-10
Contact: Xiao HU
About author:TAN Xiangyue， born in 1998， M. S. candidate. Her research interests include deep learning， camouflaged object detection.
YANG Jiaxin， born in 1996， M. S. candidate. His research interests include deep learning， salient object detection.
XIANG Junjiang， born in 1996， M. S. candidate. His research interests include video analysis， object detection.
Supported by:
National Natural Science Foundation of China(62076075)

摘要/Abstract

摘要：

伪装目标检测（COD）旨在检测隐藏在复杂环境中的目标。现有COD算法在结合多层次特征时，忽略了特征的表达和融合方式对检测性能的影响。为此，提出一种基于递进式特征增强聚合的COD算法。首先，通过主干网络提取多级特征；然后，为了提高特征的表达能力，使用由特征增强模块（FEM）构成的增强网络对多层次特征进行增强；最后，在聚合网络中设计邻近聚合模块（AAM）实现相邻特征之间的信息融合，以突显伪装目标区域的特征，并提出新的递进式聚合策略（PAS）通过渐进的方式聚合邻近特征，从而在实现多层特征有效融合的同时抑制噪声。在3个公开数据集上的实验表明，所提算法相较于12种最先进的算法在4个客观评价指标上均取得最优表现，尤其是在COD10K数据集上所提算法的加权的F测评法和平均绝对误差（MAE）分别达到了0.809和0.037。由此可见，所提算法在COD任务上拥有较优的性能。

关键词: 卷积神经网络, 伪装目标检测, 特征增强, 邻近聚合模块, 递进式聚合策略

Abstract:

Camouflaged Object Detection （COD） aims to detect objects hidden in complex environments. The existing COD algorithms ignore the influence of feature expression and fusion methods on detection performance when combining multi-level features. Therefore， a COD algorithm based on progressive feature enhancement aggregation was proposed. Firstly， multi-level features were extracted through the backbone network. Then， in order to improve the expression ability of features， an enhancement network composed of Feature Enhancement Module （FEM） was used to enhance the multi-level features. Finally， Adjacency Aggregation Module （AAM） was designed in the aggregation network to achieve information fusion between adjacent features to highlight the features of the camouflaged object area， and a new Progressive Aggregation Strategy （PAS） was proposed to aggregate adjacent features in a progressive way to achieve effective multi-level feature fusion while suppressing noise. Experimental results on 3 public datasets show that the proposed algorithm achieves the best performance on 4 objective evaluation indexes compared with 12 state-of-the-art algorithms， especially on COD10K dataset， the weighted F-measure and the Mean Absolute Error （MAE） of the proposed algorithm reach 0.809 and 0.037 respectively. It can be seen that the proposed algorithm achieves better performance on COD tasks.

Key words: Convolutional Neural Network （CNN）, Camouflaged Object Detection （COD）, feature enhancement, Adjacency Aggregation Module （AAM）, Progressive Aggregation Strategy （PAS）

中图分类号:

TP391.4

谭湘粤, 胡晓, 杨佳信, 向俊将. 基于递进式特征增强聚合的伪装目标检测[J]. 计算机应用, 2022, 42(7): 2192-2200.

Xiangyue TAN, Xiao HU, Jiaxin YANG, Junjiang XIANG. Camouflaged object detection based on progressive feature enhancement aggregation[J]. Journal of Computer Applications, 2022, 42(7): 2192-2200.

图/表 12

图1 本文算法的总体框架

Fig.1 Overall framework of the proposed algorithm

图2 特征增强模块结构

Fig.2 Structure of feature enhancement module

表1 CHAMELEON和CAMO数据集上FEM的消融实验结果

Tab.1 Ablation experimental results of FEM on CHAMELEON and CAMO datasets

方法	CHAMELEON				CAMO-Test
方法	$S α$	$E φ$	$F β ω$	$M$	$S α$	$E φ$	$F β ω$	$M$
SA+CA+RF	0.889	0.938	0.819	0.032	0.799	0.861	0.712	0.079
SA+RF+CA	0.890	0.945	0.816	0.030	0.798	0.859	0.715	0.078
RF+SA+CA	0.891	0.947	0.822	0.031	0.805	0.862	0.720	0.075
RF+CA+SA	0.886	0.940	0.811	0.031	0.800	0.858	0.714	0.077
CA+RF+SA	0.894	0.944	0.825	0.029	0.803	0.863	0.717	0.075
CA+SA+RF	0.895	0.948	0.826	0.028	0.808	0.867	0.726	0.075

表1 CHAMELEON和CAMO数据集上FEM的消融实验结果

Tab.1 Ablation experimental results of FEM on CHAMELEON and CAMO datasets

方法	CHAMELEON				CAMO-Test
方法	$S α$	$E φ$	$F β ω$	$M$	$S α$	$E φ$	$F β ω$	$M$
SA+CA+RF	0.889	0.938	0.819	0.032	0.799	0.861	0.712	0.079
SA+RF+CA	0.890	0.945	0.816	0.030	0.798	0.859	0.715	0.078
RF+SA+CA	0.891	0.947	0.822	0.031	0.805	0.862	0.720	0.075
RF+CA+SA	0.886	0.940	0.811	0.031	0.800	0.858	0.714	0.077
CA+RF+SA	0.894	0.944	0.825	0.029	0.803	0.863	0.717	0.075
CA+SA+RF	0.895	0.948	0.826	0.028	0.808	0.867	0.726	0.075

图3 邻近聚合模块结构

Fig.3 Structure of adjacency aggregation module

图4 PAS中间特征的可视化结果

Fig.4 Visualization results of intermediate features of PAS

表2 CHAMELEON和CAMO数据集上AAM的消融实验结果

Tab.2 Ablation experimental results of AAM on CHAMELEON and CAMO datasets

方法	CHAMELEON				CAMO-Test
方法	$S α$	$E φ$	$F β ω$	$M$	$S α$	$E φ$	$F β ω$	$M$
三邻近-二邻近	0.885	0.939	0.813	0.033	0.801	0.858	0.715	0.077
二邻近-三邻近	0.884	0.936	0.813	0.033	0.805	0.862	0.717	0.076
二邻近	0.895	0.948	0.826	0.028	0.808	0.867	0.726	0.075

表2 CHAMELEON和CAMO数据集上AAM的消融实验结果

Tab.2 Ablation experimental results of AAM on CHAMELEON and CAMO datasets

方法	CHAMELEON				CAMO-Test
方法	$S α$	$E φ$	$F β ω$	$M$	$S α$	$E φ$	$F β ω$	$M$
三邻近-二邻近	0.885	0.939	0.813	0.033	0.801	0.858	0.715	0.077
二邻近-三邻近	0.884	0.936	0.813	0.033	0.805	0.862	0.717	0.076
二邻近	0.895	0.948	0.826	0.028	0.808	0.867	0.726	0.075

图5 3种不同邻近方式的AAM组合结构

Fig.5 Three AAM composite structures with different adjacent modes

表3 COD10K数据集上网络间的消融实验结果

Tab. 3 Ablation experimental results between networks on COD10K dataset

方法	COD10K-Test
方法	$S α$	$E φ$	$F β ω$	$M$
No.1	0.794	0.869	0.637	0.041
No.2	0.797	0.874	0.644	0.040
No.3	0.805	0.881	0.667	0.038
No.4	0.809	0.886	0.673	0.037

表3 COD10K数据集上网络间的消融实验结果

Tab. 3 Ablation experimental results between networks on COD10K dataset

方法	COD10K-Test
方法	$S α$	$E φ$	$F β ω$	$M$
No.1	0.794	0.869	0.637	0.041
No.2	0.797	0.874	0.644	0.040
No.3	0.805	0.881	0.667	0.038
No.4	0.809	0.886	0.673	0.037

图6 跳跃式聚合与递进式聚合的特征可视化结果

Fig.6 Feature visualization results of skipping aggregation and progressive aggregation

表4 各算法在3个COD数据集上的客观评价

Tab.4 Objective evaluation of different algorithms on three COD datasets

算法	CHAMELEON				CAMO-Test				COD10K-Test
算法	$S α$	$E φ$	$F β ω$	$M$	$S α$	$E φ$	$F β ω$	$M$	$S α$	$E φ$	$F β ω$	$M$
FPN	0.794	0.783	0.590	0.075	0.684	0.677	0.483	0.131	0.697	0.691	0.411	0.075
UNet++	0.695	0.762	0.501	0.094	0.599	0.653	0.392	0.149	0.623	0.672	0.350	0.086
ANet-SRM	—	—	—	—	0.682	0.685	0.484	0.126	—	—	—	—
PFANet	0.679	0.648	0.378	0.144	0.659	0.622	0.391	0.172	0.636	0.618	0.286	0.128
PoolNet	0.776	0.779	0.555	0.081	0.702	0.698	0.494	0.129	0.705	0.713	0.416	0.074
CPD	0.853	0.866	0.706	0.052	0.726	0.729	0.550	0.115	0.747	0.770	0.508	0.059
EGNet	0.848	0.870	0.702	0.050	0.732	0.768	0.583	0.104	0.737	0.779	0.509	0.056
SINet	0.869	0.891	0.740	0.044	0.751	0.771	0.606	0.100	0.771	0.806	0.551	0.051
PraNet	0.860	0.907	0.763	0.044	0.769	0.824	0.663	0.094	0.789	0.861	0.629	0.045
MCIF-Net	—	—	—	—	0.784	0.845	0.677	0.084	0.787	0.872	0.636	0.042
Rank-Net	0.893	0.938	—	0.033	0.793	0.826	—	0.085	0.793	0.868	—	0.041
TANet	0.888	0.911	0.786	0.036	0.793	0.834	0.690	0.083	0.803	0.848	0.629	0.041
本文算法	0.895	0.948	0.826	0.028	0.808	0.867	0.726	0.075	0.809	0.886	0.673	0.037

表4 各算法在3个COD数据集上的客观评价

Tab.4 Objective evaluation of different algorithms on three COD datasets

算法	CHAMELEON				CAMO-Test				COD10K-Test
算法	$S α$	$E φ$	$F β ω$	$M$	$S α$	$E φ$	$F β ω$	$M$	$S α$	$E φ$	$F β ω$	$M$
FPN	0.794	0.783	0.590	0.075	0.684	0.677	0.483	0.131	0.697	0.691	0.411	0.075
UNet++	0.695	0.762	0.501	0.094	0.599	0.653	0.392	0.149	0.623	0.672	0.350	0.086
ANet-SRM	—	—	—	—	0.682	0.685	0.484	0.126	—	—	—	—
PFANet	0.679	0.648	0.378	0.144	0.659	0.622	0.391	0.172	0.636	0.618	0.286	0.128
PoolNet	0.776	0.779	0.555	0.081	0.702	0.698	0.494	0.129	0.705	0.713	0.416	0.074
CPD	0.853	0.866	0.706	0.052	0.726	0.729	0.550	0.115	0.747	0.770	0.508	0.059
EGNet	0.848	0.870	0.702	0.050	0.732	0.768	0.583	0.104	0.737	0.779	0.509	0.056
SINet	0.869	0.891	0.740	0.044	0.751	0.771	0.606	0.100	0.771	0.806	0.551	0.051
PraNet	0.860	0.907	0.763	0.044	0.769	0.824	0.663	0.094	0.789	0.861	0.629	0.045
MCIF-Net	—	—	—	—	0.784	0.845	0.677	0.084	0.787	0.872	0.636	0.042
Rank-Net	0.893	0.938	—	0.033	0.793	0.826	—	0.085	0.793	0.868	—	0.041
TANet	0.888	0.911	0.786	0.036	0.793	0.834	0.690	0.083	0.803	0.848	0.629	0.041
本文算法	0.895	0.948	0.826	0.028	0.808	0.867	0.726	0.075	0.809	0.886	0.673	0.037

图7 9种算法在3个COD数据集上的精确率-召回率曲线对比

Fig.7 Precision-recall curves comparison of nine algorithms on three COD datasets

图8 9种算法的可视化对比

Fig.8 Visualization comparison of nine algorithms

参考文献 35

1	FAN D P， JI G P， SUN G L， et al. Camouflaged object detection［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 2774-2784. 10.1109/cvpr42600.2020.00285
2	FANG Z， ZHANG X W， DENG X T， et al. Camouflage people detection via strong semantic dilation network［C］// Proceedings of the 2019 ACM Turing Celebration Conference - China. New York： ACM， 2019： No.134. 10.1145/3321408.3326662
3	FAN D P， JI G P， ZHOU T， et al. PraNet： parallel reverse attention network for polyp segmentation［C］// Proceedings of the 2020 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 12266/LNIP 12266. Cham： Springer， 2020： 263-273. 10.1007/978-3-030-59725-2_26
4	FAN D P， ZHOU T， JI G P， et al. Inf-Net： automatic COVID-19 lung infection segmentation from CT images［J］. IEEE Transactions on Medical Imaging， 2020， 39（8）： 2626-2637. 10.1109/tmi.2020.2996645
5	温静，宋建伟. 基于多级全局信息传递模型的视觉显著性检测［J］. 计算机应用， 2021， 41（1）： 208-214.
	WEN J， SONG J W. Visual saliency detection based on multi-level global information propagation model［J］. Journal of Computer Applications， 2021， 41（1）： 208-214.
6	WU Z， SU L， HUANG Q M. Stacked cross refinement network for edge-aware salient object detection［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 7263-7272. 10.1109/iccv.2019.00736
7	ZHAO T， WU X Q. Pyramid feature attention network for saliency detection［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 3080-3089. 10.1109/cvpr.2019.00320
8	LIU J J， HOU Q B， CHENG M M， et al. A simple pooling-based design for real-time salient object detection［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 3912-3921. 10.1109/cvpr.2019.00404
9	WU Z， SU L， HUANG Q M. Cascaded partial decoder for fast and accurate salient object detection［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 3902-3911. 10.1109/cvpr.2019.00403
10	ZHAO J X， LIU J J， FAN D P， et al. EGNet： edge guidance network for salient object detection［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 8778-8787. 10.1109/iccv.2019.00887
11	LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 936-944. 10.1109/cvpr.2017.106
12	SZEGEDY C， LIU W， JIA Y Q， et al. Going deeper with convolutions［C］// Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 1-9. 10.1109/cvpr.2015.7298594
13	刘子威，邓春华，刘静. 基于非对称沙漏网络结构的目标检测算法［J］. 计算机应用， 2020， 40（12）： 3526-3533.
	LIU Z W， DENG C H， LIU J. Object detection algorithm based on asymmetric hourglass network structure［J］. Journal of Computer Applications， 2020， 40（12）： 3526-3533.
14	LE T N， NGUYEN T V， NIE Z L， et al. Anabranch network for camouflaged object segmentation［J］. Computer Vision and Image Understanding， 2019， 184： 45-56. 10.1016/j.cviu.2019.04.006
15	YAN J N， LE T N， NGUYEN K D， et al. MirrorNet： bio-inspired camouflaged object segmentation［J］. IEEE Access， 2021， 9： 43290-43300. 10.1109/access.2021.3064443
16	CHEN Z Y， XU Q Q， CONG R M， et al. Global context-aware progressive aggregation network for salient object detection［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2020： 10599-10606. 10.1609/aaai.v34i07.6633
17	LIU S T， HUANG D， WANG Y H. Receptive field block net for accurate and fast object detection［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11215/LNIP 11215. Cham： Springer， 2018： 404-419. 10.1007/978-3-030-01252-6_24
18	DONG B， ZHUGE M C， WANG Y X， et al. Towards accurate camouflaged object detection with mixture convolution and interactive fusion［EB/OL］. （2021-05-26）［2021-05-31］..
19	REN J J， HU X W， ZHU L， et al. Deep texture-aware features for camouflaged object detection［J］.IEEE Transactions on Circuits and Systems for Video Technology， 2021（Early Access）： 1-1.
20	WEI J， WANG S H， HUANG Q M. F³Net： fusion， feedback and focus for salient object detection［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2020： 12321-12328. 10.1609/aaai.v34i07.6916
21	PANG Y W， ZHAO X Q， ZHANG L H， et al. Multi-scale interactive network for salient object detection［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 9410-9419. 10.1109/cvpr42600.2020.00943
22	LV Y Q， ZHANG J， DAI Y C， et al. Simultaneously localize， segment and rank the camouflaged objects［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 11586-11596. 10.1109/cvpr46437.2021.01142
23	GAO S H， CHENG M M， ZHAO K， et al. Res2Net： a new multi-scale backbone architecture［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021， 43（2）： 652-662. 10.1109/tpami.2019.2938758
24	CHEN L C， PAPANDREOU G， KOKKINOS I， et al. DeepLab： semantic image segmentation with deep convolutional nets， atrous convolution， and fully connected CRFs［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2018， 40（4）： 834-848. 10.1109/tpami.2017.2699184
25	WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module［C］// Proceedings of the 2018 European Conference on Computer Vision， LNCS 11211/LNIP 11211. Cham： Springer， 2018： 3-19. 10.1007/978-3-030-01234-2_1
26	HU J， SHEN L， ALBANIE S， et al. Squeeze-and-excitation networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 42（8）： 2011-2023. 10.1109/tpami.2019.2913372
27	ROY A G， NAVAB N， WACHINGER C. Concurrent spatial and channel ‘squeeze & excitation’ in fully convolutional networks［C］// Proceedings of the 2018 International Conference on Medical Image Computing and Computer-Assisted Intervention， LNCS 11070/LNIP 11070. Cham： Springer， 2018： 421-429. 10.1007/978-3-030-00928-1_48
28	ZHOU Z W， RAHMAN SIDDIQUEE M M， TAJBAKHSH N， et al. UNet++： a nested U-Net architecture for medical image segmentation［C］// Proceedings of the 2018 International Workshop on Deep Learning in Medical Image Analysis and 2018 International Workshop on Multimodal Learning for Clinical Decision Support， LNCS 11045/LNIP 11045. Cham： Springer， 2018： 3-11. 10.1007/978-3-030-00889-5_1
29	HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2016： 770-778. 10.1109/cvpr.2016.90
30	XIE S N， GIRSHICK R， DOLLÁR P， et al. Aggregated residual transformations for deep neural networks［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 5987-5995. 10.1109/cvpr.2017.634
31	SKUROWSKI P， ABDULAMEER H， BŁASZCZYK J， et al. Animal camouflage analysis： CHAMELEON database［DB/OL］. ［202-05-31］..
32	PERAZZI F， KRÄHENBÜHL P， PRITCH Y， et al. Saliency filters： contrast based filtering for salient region detection［C］// Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2012： 733-740. 10.1109/cvpr.2012.6247743
33	FAN D P， CHENG M M， LIU Y， et al. Structure-measure： a new way to evaluate foreground maps［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 4558-4567. 10.1109/iccv.2017.487
34	MARGOLIN R， ZELNIK-MANOR L， TAL A. How to evaluate foreground maps［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2014： 248-255. 10.1109/cvpr.2014.39
35	FAN D P， GONG C， CAO Y， et al. Enhanced-alignment measure for binary foreground map evaluation［C］// Proceedings of the 27th International Joint Conference on Artificial Intelligence. California： ijcai.org， 2018： 698-704. 10.24963/ijcai.2018/97

[1]	李云, 王富铕, 井佩光, 王粟, 肖澳. 基于不确定度感知的帧关联短视频事件检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2903-2910.
[2]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[3]	赵宇博, 张丽萍, 闫盛, 侯敏, 高茂. 基于改进分段卷积神经网络和知识蒸馏的学科知识实体间关系抽取[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2421-2429.
[4]	张春雪, 仇丽青, 孙承爱, 荆彩霞. 基于两阶段动态兴趣识别的购买行为预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2365-2371.
[5]	陈虹, 齐兵, 金海波, 武聪, 张立昂. 融合1D-CNN与BiGRU的类不平衡流量异常检测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2493-2499.
[6]	王东炜, 刘柏辰, 韩志, 王艳美, 唐延东. 基于低秩分解和向量量化的深度网络压缩方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 1987-1994.
[7]	高阳峄, 雷涛, 杜晓刚, 李岁永, 王营博, 闵重丹. 基于像素距离图和四维动态卷积网络的密集人群计数与定位方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2233-2242.
[8]	姚迅, 秦忠正, 杨捷. 生成式标签对抗的文本分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1781-1785.
[9]	黄梦源, 常侃, 凌铭阳, 韦新杰, 覃团发. 基于层间引导的低光照图像渐进增强算法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1911-1919.
[10]	李健京, 李贯峰, 秦飞舟, 李卫军. 基于不确定知识图谱嵌入的多关系近似推理模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1751-1759.
[11]	沈君凤, 周星辰, 汤灿. 基于改进的提示学习方法的双通道情感分析模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1796-1806.
[12]	高文烁, 陈晓云. 基于节点结构的点云分类网络[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1471-1478.
[13]	席治远, 唐超, 童安炀, 王文剑. 基于双路时空网络的驾驶员行为识别[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1511-1519.
[14]	孙敏, 成倩, 丁希宁. 基于CBAM-CGRU-SVM的Android恶意软件检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1539-1545.
[15]	王杰, 孟华. 基于点云整体拓扑结构的图像分类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1107-1113.

基于递进式特征增强聚合的伪装目标检测

Camouflaged object detection based on progressive feature enhancement aggregation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 35

相关文章 15

编辑推荐

Metrics