计算机应用

作者：李钟华, 钟庚辛, 范萍, 朱恒亮

单位：1.福建省大数据挖掘与应用技术重点实验室（福建理工大学），福州 350018；2.福建理工大学 计算机科学与数学学院，福州 350018

关键词：伪装目标检测,反向引导,多尺度卷积,注意力机制,特征聚合

基金：福建省自然科学基金资助项目(2023J01348);福建省自然科学基金资助项目(2022J01954);福建理工大学科技项目(GY-Z220205)

伪装目标与背景具有高度的相似性，极易受背景特征混淆，导致边界信息难以分辨且提取目标特征困难。目前主流的伪装目标检测（COD）算法主要针对性研究伪装目标本身及其边界行，忽略了图像背景与目标的相互关系，在复杂场景下的检测结果不理想。为了探索背景和目标的潜在联系，提出一种通过挖掘边界和背景检测伪装目标的算法——I2DNet（Indirect to Direct Network）。该算法由5个部分组成：编码器，处理初始原始数据；边界指导的特征提取和挖掘框架，通过特征处理和特征挖掘提取更多精细的边界特征；背景引导的潜在特征学习框架，通过多尺度卷积探索更多的显著特征，同时基于注意力设计混合注意力模块（HAM），增强对背景特征的强化选择；信息补偿模块（ISM），弥补在特征处理过程中损失的细节信息；多任务协同分割解码器（MCD）则高效融合不同任务和模块提取的特征，并输出最终的预测结果。在广泛使用的3个数据集上的实验结果表明，所提算法优于其他15个先进模型，尤其在CAMO数据集上的平均绝对误差指标下降至0.042。

来源：2025年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第10期