作者：Ge-Peng Ji，Lei Zhu，Mingchen Zhuge，Keren Fu

来源：Pattern Recognition

发表时间：2022

背景

由于伪装目标检测任务中的目标与背景在纹理，颜色，亮度等方面相似，使得伪装物体与背景之间的边界非常模糊，给定位伪装物体以及对其进行精确的检测带来了挑战。受到人类观察者发现伪装物体时的生物视觉感知过程的启发，作者提出了一种新的基于边缘的可逆重新校准网络ERRNet。

创新点

作者提出的ERRNet具有两个创新的设计。

• SEA（选择性边缘聚合模块）：该模块用于获取边缘先验知识，缓解边缘模糊问题。
• RRU（可逆重新校准单元）：通过考虑邻近区域的先验知识、全局先验知识、边缘先验知识和语义先验知识来对比潜在的伪装区域及其互补区域，从而重新校准粗略推理图。

研究内容

作者提出的ERRNet由ReNet50和SEA，RRU，ASPP组成。模型架构如下所示：

ASPP（Atrous SpatialPyramid Pooling）

模型中的的ASPP模块用来扩大感受野，采用四种不同的膨胀率(d ∈ {1，6，12，18})卷积来融合多上下文信息，因此，在编码器(E5)的最后特征层次中使用它来获取全局先验Pgc，处理流程如下所示：

SEA

SEA用来选择性地融合低级边缘感知特征{E1 & E2}，利用边缘掩码对其监督。

通过SEA可以获得RRU所需要的边缘先验知识，将SEA的输出通过一个通道为1的1*1卷积，获得粗糙的预测边缘Pe，来学习更多具有显式约束的边缘感知知识。

RRU

RRU的操作流程如下所示：

其中Ei和Fe分别为语义先验和边缘先验。

实验

Dataset

在实验中，作者采用了3个COD数据集，分别是COD10k,CAMO,CHAM,将COD10K和CAMO的训练集结合起来，构建最终的训练集。此外，我们在COD10K、CAMO和CHAM的完整图像的测试集上测试每个COD方法，以获得三个基准数据集的结果，用于公平比较。

评指估标

作者以Structure-measure(Sα)，Mean Enhanced-measure(Eφ)，Weighted F-measure(Fβw)， Mean Absolute Error(MAE)作为最终的分割效果评价指标。

消融实验

定性评估

作者再3个COD基准数据集上评估所提出的ERRNet，与当时最先进的模型进行比较，通过上述比较结果，可知ERRNet达到了SOTA水平。

总结

作者提出了一个基于边缘的可逆再校准网络(ERRNet)进行伪装对象检测，该网络由选择性边缘聚集(SEA)模块和可逆重新校准单元(RRU)组成，有效地整合了浅层的边缘先验，和高层的邻近先验，全局先验，语义先验，在3个通用的COD数据集上达到了SOTA的水平。

启发

• 实验证明ERRNet中的SEA模块帮助模型获得有效的边缘先验，指导模型进行精准地分割。可进一步思考提取整合浅层网络中的边缘特征，来提高模型的检测精度。
• 实验证明了全局先验，语义先验，边缘先验，邻近先验地整合可以提高模型的检测的精度，可以思考将语义先验，边缘先验整合到HDR增强模块中，有效的增强伪装目标的特征，提高模型的检测精度。