摘要

伪装物体检测（COD）旨在识别在自然场景中隐藏的物体。准确的COD面临着诸多挑战，包括边界对比度低和物体外观变化大等问题，例如物体的大小和形状。为了解决这些挑战，我们提出了一种新颖的情境感知跨层级融合网络（C2F-Net），该网络通过融合情境感知的跨层级特征来准确识别伪装物体。具体而言，我们利用注意力诱导跨层级融合模块（ACFM）从多层级特征中计算出具有信息量的注意力系数，并在此指导下进一步整合特征。随后，我们提出了双分支全局上下文模块（DGCM），通过利用丰富的全局上下文信息来优化融合后的特征，从而生成更具信息量的特征表示。多个ACFM和DGCM以级联的方式集成在一起，从高层级特征生成粗略预测。该粗略预测作为注意力图，在将低层级特征传递给我们的伪装推理模块（CIM）之前对其进行细化，最终生成最终预测。我们在三个广泛使用的基准数据集上进行了大量实验，并将C2F-Net与最先进的（SOTA）模型进行了比较。结果表明，C2F-Net是一种有效的COD模型，并显著优于SOTA模型。此外，在息肉分割数据集上的评估也展示了我们的C2F-Net在COD下游应用中的巨大潜力。我们的代码已公开发布在：https://github.com/Ben57882/C2FNet-TSCVT。