weixin_61585984的博客

伪装实例分割（CIS）旨在检测和分割与周围环境混合的对象。虽然现有的 CIS 方法严重依赖于使用大量精确注释数据进行的完全监督训练，但消耗大量注释工作却难以准确分割高度伪装的对象。尽管它们在视觉上与背景相似，但伪装的物体在语义上有所不同。由于与图像相关的文本提供了明确的语义线索来强调这种差异，因此本文提出了一种新颖的方法：第一个基于文本提示的弱监督伪装实例分割方法，名为 TPNet，利用语义区别进行有效分割。伪掩模生成和自训练过程。

提出了一种新的去伪装网络（DCNet），该网络包括像素级伪装解耦模块和实例级伪装抑制模块。首先，基于傅里叶变换的像素级伪装解耦模块能够提取伪装特征。然后提出了一种差异注意机制，在保留目标物体特征的同时消除伪装特征。其次，实例级伪装抑制模块可以利用实例原型从像素中聚合丰富的实例信息。为了减少分割过程中背景噪声的影响，我们引入了一些可靠的参考点来建立一个更鲁棒的相似性度量。借助这两个模块，我们的DCNet可以有效地对伪装实例进行去伪装建模，并实现伪装实例的精确分割。