admin管理员组

文章数量:1530085

IJCAI2021
Yujia Sun, Geng Chen, Tao Zhou, Yi Zhang, and Nian Liu
论文地址

一、简介

提出了C2F-Net，其融合了跨级别特征，并考虑了丰富的全局上下文信息。

提出了一个上下文感知模块DGCM，它利用全局上下文信息对特征进行了增强。

将跨级特征通过ACFM模块进行有效融合，

二、方法

2.1 注意力引导的交叉融合模块（ACFM）

对于伪装数据集，伪装对象在图中的尺寸通常是变化的。为此，引入MSCA多尺度通道注意力机制来提出ACFM，以有效地融合多尺度特征。

MSCA对不同尺度目标具有很强地适应性。MSCA结构如上图所示，它有两个分支。一个分支使用全局平均池化层来获得全局上下文信息，以强调全球分布地大型物体；另一个分支维持原特征大小以获取局部上下文信息以忽略小对象。

MSCA使用点卷积（1×1卷积）来压缩通道，从而聚合多尺度通道上下文信息。

不同尺度的特征对任务有不同的贡献，并且多个尺度的特征融合可以互相补充，以获得全面的特征表示。

低级特征具有更高的空间分辨率，需要更多的计算资源，但是对模型的性能贡献较少，因此我们只在高级特征中进行ACFM。

ACFM结构如上图所示。其公式如下：

其中，M表示MSCA模块；F表示输入特征。

2.2 双分支全局上下文模块（DGCM）

全局上下文信息对提高伪装对象检测性能至关重要，为此，提出了DGCM来提出全局上下文信息。其结构如上图所示。

DGCM公式如下：

C表示卷积，P表示平均池化层，M表示MSCA模块，U表示上采样操作。

DGCM用来增强特征，使用的模型可以在训练阶段在特定尺度自适应的提取多尺度信息。

2.3 损失函数

三、实验

本文标签： 笔记CrossLevelContextAware

版权声明：本文标题：Context-aware Cross-level Fusion Network for Camouflaged Object Detection阅读笔记 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dongtai/1726559435a1075680.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。