论文来源：ICASSP
发表日期：2025
作者: Zihan Xu; Zheng Wang; Haoyu Wang; Cheng Liu; Yan Zhou; Meijun Sun 单位：天津大学计算智能学院

研究现状

针对COD任务已提出的高精度深度学习框架存在着计算成本高，计算效率低的问题，轻量化的网络又面临着分割精度下降，关键信息丢失等问题。为了解决上述问题，作者提出了结合多尺度上下文和边缘特征增强的轻量化伪装目标检测网络-LMABnet ，可在不影响性能的情况下最大限度地减少计算成本。

创新点

• LMABnet 采用流线型的双分支设计，并与轻量级特征提取模块集成。这种设计赋予网络多尺度特征感知，减轻了快速下采样造成的空间信息损失，消除了额外专用多尺度传感模块的需求。
• LMABnet 集成了轻量级多尺度特征融合模块和边缘注意力融合模块。这些模块通过细粒度的细节识别伪装对象更易辨别的部分，增强对对象边缘的识别。

研究内容

作者提出的LMABnet双分支架构如下所示，上分支处理于语义特征，下分支处理细节特征。

MPB

作者在上下两个分支中采用了不同形态的MPB：

• 上分支对应的MPB：输入特征被馈入1×1卷积，实现通道减半，随后经过两个33卷积扩大感受野，再经过11卷积进行整合。
• 下分支对应的MPB：输入特征在该MPB里实现了分辨率减半，通道数加倍，以此来捕捉细节特征。

MPB作为基本块组成了上下分支，进行多尺度特征提取，产生轻量化架构。

IM

IM模块用于上下分支输出的交互，对应流程如下所示：

通过上面的流程，IM实现了上下分支信息之间的融合，增强整个网络的特征表达能力。

Edge Attention and Multiscale Feature Fusion Module

MSF的输入分别是全局特征xi和多尺度特征ai。具体流程如下所示：

EAF将MSF的输出与多尺度特征ai作为输入，具体流程如下所示：

实验

Dataset

在实验中，作者采用来自CAMO数据集的1000幅图像和来自COD10K的3040幅图像进行训练，在三个通用的COD基准数据集CAMO，COD10K，NC4k 上评估作者的模型。

评指估标

作者以Structure-measure(S_α)，Mean Enhanced-measure(E_φ)，Weighted F-measure(F_β^w)， adaptive E-measure(αE)， Mean Absolute Error(MAE)作为最终的分割效果评价指标。

实验结果

实验结果显示，作者的模型在有效减小计算成本的情况下，仍然能够对伪装目标进行精准的分割，并在多个数据集上的指标达到最优性能。

可视化

从图中可以看出，LMABNET在处理小物体，多对象伪装和高内在相似性伪装方面表现出色。

消融实验

作者为了验证MSF与EAF对于分割性能提升的有效性，进行了消融实验。

实验结果表明，整合这两个模块可显著提升模型的分割精度。

结论

针对COD任务，作者提出的LMABNET可以在提高计算效率的同时，保证模型的分割精度。实验表明模型中的多尺度特征融合体系结构和边缘注意机制可显著提高检测精度，并且不会损害计算效率。

启发

作者在LMABNET中的Edge Attention模块中边缘扩张的思路可以进一步思考，将其应用在当前实验中的边缘提取模块，增强边缘特征。