伪装目标检测论文阅读之：《FEDER：Camouflaged Object Detection with Feature Decomposition and Edge Reconstruction》

标题：《Camouflaged Object Detection with Feature Decomposition and Edge Reconstruction》
利用特征分解和边缘重建进行伪装目标检测
论文：link
code：link

1.摘要

  识别在视觉上融入周围背景的伪装物体是一个棘手的问题，由于伪装物体与背景的内在相似性以及模糊的边界，COD是一项具有挑战性的任务，解决这个问题的现有方法已经开发出各种模仿人类视觉系统的技术，尽管在很多方法上有效，但当伪装物体对视觉系统具有如此大的欺骗性时候，这些方法仍然很困难，在本文中，我们提出了COD的特征分解和边缘重建模型，FEDER模型通过使用可学习小波将特征分解为不同的频带来解决前景和背景的内在相似性，然后它专注于信息最丰富的波段，以挖掘区分前景和背景的微妙线索，为了实现这一目标，开发了频率注意模块和基于引导的特征聚合模块，为了解决模糊边界问题，我们建议与COD任务一起学习辅助边缘重建任务，我们设计了一个受常微分方程启发的边缘重建模块，可以生成精确的边缘，通过结合COD任务学习辅助任务，实验表明我们的FEDER模型显著优于最先进的方法，并且计算和内存成本便宜。

2.结构

![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/5effeb0416634031bdb72524e3b11905.png

3.方法

  给定一个伪装图像，我们首先使用伪装特征编码器(CFE)提取一系列特征，然后对这些特征执行类小波分解（DWD），将它们分为不同的频带，我们选择信息最丰富的频段，例如高频分量和低频分量，以进行进一步分析，这些信息带由频率注意模块和基于引导的特征聚合模块处理，以突出不显眼的判别特征，利用聚合的特征，面向分割的边缘辅助解码器输出分割图和边缘预测图。

3.1 Camouflaged Feature Encoder（CFE)

  继SINetV2之后，基本编码器E采用ResNet50/Res2Net作为其骨干网，给定大小的$W\times H$的图像 ，基本编码器E生成一组分辨率为 $\frac{H}{2^{k+1}}\times \frac{W}{2^{k+1}}$的特征图 { f k } k = 0 4 \left\{ { {f_k}} \right\}_{k = 0}^4 { fk​}k=04​ ，R-Net级联为将 { f k } k = 0 4 \left\{ { {f_k}} \right\}_{k = 0}^4 { fk​}k=04​ 转换为信息更丰富且紧凑的输出，即一系列64通道的特征图 { f k r } k = 1 4 \left\{ {f_k^r} \right\}_{k = 1}^4 { f<