基于通道注意力和边缘融合的伪装目标分割方法

作     者：詹春兰 王安志 王明辉 ZHAN Chunlan;WANG Anzhi;WANG Minghui

作者机构：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 

基　　金：国家自然科学基金资助项目(62162013) 国家级大学生创新创业训练计划项目(202210663045) 贵州省大学生创新创业训练计划项目(S202110663028) 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2023年第43卷第7期

页      码：2166-2172页

摘      要：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。

主 题 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 

学科分类：08[工学] 080203[080203] 0802[工学-机械学] 

D　O　I：10.11772/j.issn.1001-9081.2022060933

馆 藏 号：203122623...