摘要

伪装目标检测（COD）是一项具有挑战性的任务，因为目标与其周围环境之间的边界对比度较低。此外，伪装目标的外观差异显著，例如目标的大小和形状，这进一步加剧了准确进行COD的难度。在本文中，我们提出了一种新颖的上下文感知跨层融合网络（C2F-Net），以应对这一具有挑战性的COD任务。具体而言，我们设计了一种注意力诱导的跨层融合模块（ACFM），用于将多层级特征与信息丰富的注意力系数相结合。随后，融合后的特征被输入到所提出的双分支全局上下文模块（DGCM）中，该模块生成多尺度特征表示，以利用丰富的全局上下文信息。在C2F-Net中，这两个模块以级联的方式应用于高层特征。广泛的实验表明，在三个广泛使用的基准数据集上，我们的C2F-Net是一种有效的COD模型，并且显著优于现有的最先进模型。我们的代码已公开发布在以下网址：https://github.com/thograce/C2FNet。