基于频率引导的空间适应算法在伪装物体检测中的应用

《IEEE Transactions on Multimedia》：Frequency-Guided Spatial Adaptation for Camouflaged Object Detection

伪装物体检测通过频域特征转换与动态增强提升分类精度，在四个基准数据集上超越26种SOTA方法。

　　

摘要：

伪装物体检测（Camouflaged Object Detection, COD）的目标是分离那些与周围环境具有非常相似模式的伪装物体。最近的研究表明，通过频率信息增强特征表示可以大大减少前景物体与背景之间的歧义问题。随着像InternImage、Segment Anything Model等视觉基础模型的出现，使用轻量级的适配器模块对预训练模型进行修改以应用于COD任务，成为了一个新颖且有前景的研究方向。现有的适配器模块主要关注空间域中的特征适应。在本文中，我们提出了一种基于频率引导的空间适应方法用于COD任务。具体来说，我们将适配器的输入特征转换为频率域。通过将频谱图中位于非重叠圆内的频率分量进行分组和交互，动态地增强或减弱不同的频率分量，从而自适应地调整图像细节和轮廓特征的强度。同时，突出那些有助于区分物体和背景的特征，间接揭示了伪装物体的位置和形状。我们在四个广泛采用的基准数据集上进行了大量实验，所提出的方法在性能上大幅超过了26种现有的最先进方法。代码将会发布。

引言

伪装物体检测（COD）在医学分割[1]、娱乐艺术[3]等领域有广泛的应用，其目标是分离那些完美融入周围环境的物体。近年来，COD取得了显著进展，但由于隐藏物体与背景之间的对比度较低，这项任务仍然具有挑战性。此外，物体的语义类别范围很广，从自然伪装的物体（如哺乳动物或昆虫为躲避捕食者）到人工伪装的物体（如战场上的士兵或人体彩绘艺术）都有。不同类型、形状、大小和纹理的物体进一步增加了COD任务的难度。