Détection d'objets camouflés par fusion inter-niveaux contextuelle

La détection d'objets camouflés (DOD) vise à identifier les objets qui se dissimulent dans des scènes naturelles. Une détection précise de ces objets est confrontée à plusieurs défis liés au faible contraste des contours et à la grande variabilité des apparences des objets, par exemple leur taille et leur forme. Pour relever ces défis, nous proposons un nouveau réseau de fusion inter-niveaux contextuelle (C2F-Net), qui combine des caractéristiques inter-niveaux contextuelles pour une identification précise des objets camouflés. Plus précisément, nous calculons des coefficients d'attention informatifs à partir de caractéristiques multi-niveaux grâce à notre module de fusion inter-niveaux induite par l'attention (ACFM), qui intègre ensuite les caractéristiques sous la direction de ces coefficients d'attention. Nous proposons ensuite un module de contexte global à double branche (DGCM) pour affiner les caractéristiques fusionnées en exploitant des informations de contexte global riches, afin d'obtenir des représentations de caractéristiques informatives. De multiples ACFMs et DGCMs sont intégrés de manière en cascade pour générer une prédiction grossière à partir de caractéristiques de haut niveau. Cette prédiction grossière sert alors de carte d'attention pour affiner les caractéristiques de bas niveau avant qu'elles ne soient transmises à notre module d'inférence camouflée (CIM) pour générer la prédiction finale. Nous menons des expériences approfondies sur trois jeux de données基准数据集（benchmark datasets） largement utilisés et comparons le C2F-Net avec les modèles les plus avancés (SOTA). Les résultats montrent que le C2F-Net est un modèle DOD efficace et surpassent remarquablement les modèles SOTA. De plus, une évaluation sur des jeux de données de segmentation de polypes démontre le potentiel prometteur du C2F-Net dans les applications downstream（下流应用）de la DOD. Notre code est disponible publiquement sur : https://github.com/Ben57882/C2FNet-TSCVT.注：在正式的法语文本中，通常会避免使用外来词或直接从其他语言借用的术语。因此，对于“benchmark datasets”和“downstream applications”，我保留了原文以确保信息的完整性。如果需要进一步本地化这些术语，可以考虑使用“jeux de données standards”和“applications secondaires”。