コンテキスト認識型クロスレベル融合ネットワークによるカモフラージュ物体検出

カモフラージュされた物体検出（COD）は、物体とその周囲との境界対比が低いことから、非常に困難な課題となっています。さらに、カモフラージュされた物体の外観は大きく異なるため、例えば物体のサイズや形状によって、正確なCODの難易度が増しています。本論文では、この困難なCOD課題に対処するため、新しいコンテキスト認識型クロスレベル融合ネットワーク（C2F-Net）を提案します。具体的には、情報量豊富な注意係数を持つマルチレベル特徴を統合するためのアテンション誘導型クロスレベル融合モジュール（ACFM）を提案します。統合された特徴量は、その後、提案したデュアルブランチグローバルコンテキストモジュール（DGCM）に供給され、豊富なグローバルコンテキスト情報を活用するために多尺度特徴表現が生成されます。C2F-Netにおいては、これらの2つのモジュールが高レベル特徴量に対して連続的に適用されます。3つの広く使用されているベンチマークデータセットにおける広範な実験により、我々のC2F-Netが効果的なCODモデルであり、最先端のモデルを大幅に上回ることが示されました。我々のコードは公開されており、以下のURLからアクセスできます：https://github.com/thograce/C2FNet.