arxiv论文整理20230708-0714(目标检测方向)

Edge-Aware Mirror Network for Camouflaged Object Detection（ICME2023 paper）

摘要： 现有的边缘感知伪装物体检测（COD）方法通常在早期阶段输出边缘预测。然而，边缘是后续分割任务中重要且基本的因素。由于伪装目标和周围环境之间的高视觉相似性，早期阶段预测的边缘先验通常会引入错误的前景-背景并污染分割特征。为了解决这个问题，我们提出了一种新颖的边缘感知镜像网络（EAMNet），它将边缘检测和伪装物体分割建模为一个交叉优化过程。更具体地说，EAMNet有一个双分支结构，其中设计了分割诱导的边缘聚合模块和边缘诱导的完整性聚合模块来交叉引导分割分支和边缘检测分支。引导-残差通道注意力模块利用RGB残差连接更好地从低层特征中提取结构细节。定量和定性实验结果表明，EAMNet在三个广泛使用的COD数据集上都超过了现有的最先进的基线方法。代码可以在： https://github.com/sdy1999/EAMNet获取。

点评： 提出了一种新颖的边缘感知镜像网络（EAMNet），它将边缘检测和伪装物体分割视为一个交叉优化的过程。代码已开源。

Camouflaged Object Detection with Feature Grafting and Distractor Aware（ICME2023）

摘要： 伪装物体检测（COD）的任务是准确地将与环境融为一体的伪装物体从背景中分割出来，这比普通的检测更具挑战性，因为目标和背景之间的纹理在视觉上难以区分。在本文中，我们提出了一种新颖的特征嫁接和干扰物感知网络（FDNet）来处理COD任务。具体来说，我们使用CNN和Transformer并行地对多尺度图像进行编码。为了更好地利用两种编码器的优势，我们设计了一个基于交叉注意力的特征嫁接模块，将Transformer分支提取的特征嫁接到CNN分支中，然后在特征融合模块中进行特征聚合。一个干扰物感知模块被设计用来显式地对COD任务中的两种可能的干扰物进行建模，以精细化伪装图。我们还提出了目前最大的人工伪装物体数据集，包含2000张带有标注的图像，命名为ACOD2K。我们在四个广泛使用的基准数据集和ACOD2K数据集上进行了广泛的实验。结果表明，我们的方法显著优于其他最先进的方法。代码和ACOD2K将在https://github.com/syxvision/FDNet上公开。

点评： 使用了CNN和Transformer并行地对多尺度图像进行编码，利用了两种编码器的优势。代码将开源。

YOGA: Deep Object Detection in the Wild with Lightweight Feature Learning and Multiscale Attention（Pattern Recognition）

摘要： 我们介绍了YOGA，一种基于深度学习的轻量级目标检测模型，可以在低端边缘设备上运行，同时保持竞争力的准确率。YOGA的架构由一个两阶段的特征学习流程组成，该流程使用了一种廉价的线性变换，可以只使用传统卷积神经网络所需卷积滤波器的一半来学习特征图。此外，它在其颈部使用了一种注意力机制来进行多尺度特征融合，而不是传统检测器使用的简单拼接。YOGA是一个灵活的模型，可以根据不同的硬件约束轻松地放大或缩小几个数量级。我们在COCO-val和COCO-testdev数据集上与10多种最先进的目标检测器进行了评估，结果显示YOGA在模型大小和准确率之间达到了最佳的平衡（AP提高了22%，参数和FLOPs分别减少了23-34%），使其成为在低端边缘设备上部署的理想选择。这一点也得到了在NVIDIA Jetson Nano上的硬件实现和评估的证实。

点评： 设计了一个两阶段的特征学习流程，使用了一种廉价的线性变换，可以只使用传统卷积神经网络所需卷积滤波器的一半来学习特征图。代码将开源。

Multimodal Object Detection in Remote Sensing（IGARSS 2023）

摘要： 遥感目标检测是一项至关重要的计算机视觉任务，随着深度学习技术的发展，取得了显著的进步。然而，该领域的大多数现有工作都集中在使用通用的目标检测，而没有利用多模态数据融合的潜力。在本文中，我们对遥感多模态目标检测的方法进行了比较，调查了适合评估的多模态数据集，并讨论了未来的方向。

点评： 对遥感多模态目标检测的方法进行了比较，调查了适合评估的多模态数据集，并讨论了未来的方向。

ps：承接程序代写， 小程序编写  程序应用 深度学习 卷积神经网络 pytorch paddlepaddle  数据结构 机器学习 目标检测 图像处理

有需要的兄弟们可以在我公众号留言。

ppt（有备注，可直接讲）可以在知识星球获取：

我正在「目标检测er的小圈子」和朋友们讨论有趣的话题，你⼀起来吧？

https://t.zsxq.com/0cM8tmd4l