带有干扰挖掘的伪装物体分割

伪装物体分割（COS）旨在识别那些“完美”融入周围环境的物体，这一技术具有广泛的应用价值。COS的关键挑战在于候选物体与背景噪声之间存在高度的内在相似性。在本文中，我们致力于应对有效且高效的COS所面临的挑战。为此，我们开发了一种受生物启发的框架，称为定位与聚焦网络（PFNet），该框架模拟了自然界中的捕食过程。具体而言，我们的PFNet包含两个关键模块，即定位模块（PM）和聚焦模块（FM）。定位模块设计用于从全局视角模拟捕食过程中的检测步骤，以确定潜在的目标物体；而聚焦模块则用于执行捕食过程中的识别步骤，通过关注模糊区域逐步细化粗略预测。特别值得一提的是，在聚焦模块中，我们提出了一种新的干扰挖掘策略，用于发现并消除干扰因素，从而提升估计性能。大量实验表明，我们的PFNet能够在实时运行（72帧/秒）的情况下，在四个标准指标下显著优于三个具有挑战性的数据集上的18个最先进模型。