伪装目标检测论文阅读之：《Confidence-Aware Learning for Camouflaged Object Detection》

论文地址：link
code:link
摘要：
  任意不确定性捕获了观测结果中的噪声。对于伪装目标检测，由于伪装前景和背景的外观相似，很难获得高精度的注释，特别是目标边界周围的注释。我们认为直接使用“嘈杂”的伪装图进行训练可能会导致模型泛化能力较差。在本文中，我们引入了一种明确的任意不确定性估计技术来表示由于噪声标签而导致的预测不确定性。具体来说，我们提出了一种具有置信度的伪装目标检测（COD）框架，使用动态监督来生成准确的伪装图和可靠的“任意不确定性”。与根据点估计管道产生确定性预测的现有技术不同，我们的框架将任意不确定性形式化为模型输出和输入图像上的概率分布。我们声称，一旦经过训练，我们的置信度估计网络就可以评估预测的像素精度，而无需依赖地面真实伪装图。广泛的结果说明了所提出的模型在解释伪装预测方面的优越性能。

1.模型结构图

上图是fusion融合模块，利用到了RCAB结构，关于RCAB我在之前的论文阅读中有发，是一个固定的残差通道注意力模块。

2.方法

模型一共分为两个模块，COD和OCE模块,OCE模块较为简单，是说在U-Net的基础上，融合高层和浅层特征，COD比较复杂，涉及到$f_{\theta }^{ref}$和 $f_{\theta }^{ini}$
$$C_n^U=D(Conv3(Conv3($$