论文笔记——Camouflaged Object Detection

2020年CVPR的一篇文章，文章名为“伪装物体检测”。
代码地址

1 简介

伪装物体：“无缝”嵌入周围环境的物体。分为两类

1. 自然伪装物体：一般是动物，如昆虫，头足类动物；
2. 人工伪装物体：缺陷，游戏艺术隐藏信息。

伪装物体检测与其他任务的区别和联系：

我们可以从上面这幅图看出，通用物体指的是图像中所有出现的物体，显著性物体是指图像中最吸引人注意的物体，伪装物体指的是和周围环境相似的物体，在这幅图像中检测的是两只与环境极为相似的蝴蝶。

伪装物体检测的难点：

包括边界难以区分、超出视野、大物体、小物体、形态复杂、遮挡、多物体等。

本文主要贡献：

1. 提出了一个新的伪装数据集COD10K；

2. SINet。

2 网络结构

Motivation：
生物学上捕食者首先会判断一个潜在猎物是否存在，也就是说，它会寻找猎物;识别目标动物;最后捕捉猎物。

因此，网络结构包含两个主模块，搜索模块（Search Module）和识别模块（Identification Module）。

Overview：

2.1 Search Module (SM)

RF模块，可以融合不同大小感受野下的特征。（见上图中的RF结构图）

为了保留更多的信息，前两个stage的分辨率保持一致。

低层特征保留了较多的空间细节，可以更好的恢复物体边界；高层特征包含更多的语义信息，可以更好的定位物体。将特征分为低层特征、中层特征和高层特征，分别进行融合。

SINet使用了 densely connection 策略，多层信息送入RF模块进行融合。

SM模块实际上就是特征的提取和融合过程。

2.2 Identification Module (IM)

使用 partical decoder component (PDC) 融合了来自SM模块的4层特征。

现有文献表明，注意力机制可以有效地消除无关特征的干扰。这里使用 search attention (SA) 模块来增强中间特征，SA模块实际上是一个典型的高斯滤波器。

为了整体获得高层特征，继续使用PDC来聚合三层特征，获得最后的伪装图。