边界与对象协同学习的伪装目标检测网络(BCLNet)：提升定位精度与细节识别的创新方法

针对伪装目标检测(COD)中存在的目标定位不准和细节识别不全等难题，上海研究人员提出边界与对象协同学习网络(BCLNet)，通过自适应特征学习(AFL)模块和边界引导选择性融合(BSF)模块实现特征互补优化，在四个主流数据集上超越现有方法，为医疗图像分析(如息肉分割)和军事侦察等领域提供技术支撑。

　　

在自然界和军事领域，伪装目标检测(Camouflaged Object Detection, COD)是一项极具挑战性的任务——目标物通过颜色、纹理或形状与背景高度融合，使得人眼和传统算法都难以识别。这类技术对医学图像分析(如结直肠息肉分割)、工业缺陷检测和军事侦察至关重要。然而，现有方法在复杂场景中仍面临两大瓶颈：一是多尺度目标定位不精准，二是细节边界识别不完整，导致预测结果出现模糊或断裂。

针对这些问题，上海的研究团队在《Image and Vision Computing》发表论文，提出边界与对象协同学习网络(BCLNet)。该网络通过两个创新模块实现突破：自适应特征学习(AFL)模块首次建立边界特征与目标特征的交互优化机制，使两者通过互补学习修正自身缺陷；边界引导选择性融合(BSF)模块则利用边界线索指导跨层级特征融合，增强语义与细节的协同表达。实验证明，BCLNet在COD10K等四个数据集上超越现有CNN和Transformer模型。

关键技术包括：1) 构建双分支交互的AFL模块，通过特征互学习优化定位与细节；2) 设计BSF模块实现边界引导的跨层级特征选择融合；3) 采用端到端训练策略整合多模块优势。

研究结果方面：

1. AFL模块验证：通过消融实验证实，边界与目标特征的交互学习使交并比(IoU)提升3.2%，尤其改善低对比度场景下的结构完整性。
2. BSF模块分析：相比传统加法融合，边界引导的选择机制使细小边界识别准确率提高5.7%，有效解决多目标场景下的漏检问题。
3. 跨数据集测试：在包含医疗图像(如息肉)的CAMO数据集上，BCLNet的F_β指标达0.891，显著优于SINet^V2等基线模型。

结论表明，BCLNet首次实现边界与目标特征的动态协同优化，为COD任务提供新范式。其医学应用潜力已在息肉分割初步实验中显现，未来可扩展至肿瘤识别等场景。研究获上海市自然科学基金(21ZR1462600)支持，代码将在论文录用后开源。