作者：Kuan Wang， Xiuhong Li, Songlin Li
来源：ACM Multimedia，2025
单位：新疆大学计算机科学与技术学院
研究现状
现阶段的伪装目标检测网络主要关注跨层特征融合，而忽略了同一层内通道的信息交互。为了解决这一限制，作者提出了一种新颖的通道感知细化网络-ARNet进行伪装目标检测。
创新点
作者提出的通道感知细化网络的创新点如下所示
- CIIM：作者在ARNet中设计了CIIM模块，用于融合相邻层次的特征，与此同时对融合的特征进行通道内的信息交互，挖掘通道中有效信息。
- AGM：设计AGM来保留Encoder中低层的细粒度局部语义信息，生成定位map-Xg，帮助CIIM在解码过程中粗略定位目标的空间信息。
- MSE：设计MSE通过三分支多尺度卷积扩展感受野来增强融合特征。
方法
模型总体架构如下所示
作者以SMT为主干提取语义特征，以CIIM模块构成解码器，对特征进行解码，同时利用AGM生成引导特征，在CIIM解码时提供目标的空间信息， 同时利用MSE对CIIM的输出进行增强。
AGM
AGM沿着高层次特征到低层次特征的聚合方向，逐层聚合语义特征，以此保留低层特征的细粒度局部信息，最终生成知道特征Xg。具体流程如下所示：
CIIM
MSE
具体流程如下所示：
实验
Dataset
在实验过程中，采用了CAMO数据集中1000幅图像和COD10K的3040张图片作为训练集对模型进行训练。使用伪装目标检测基准数据集CAMO、COD10K、NC4K上对模型进行评估。
评指估标
以Structure-measure(Sα)，Mean Enhanced-measure(Eφ)，Weighted F-measure(Fβw)， 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
可视化
消融实验
结论
作者提出了一种新的COD网络ARNet，解决了同一层特征通道内信息差异被忽略的问题。在COD10K、CAMO和NC4K数据集上的大量实验证明了ARNet的优越性。
启发
这篇文章及其实验表明，同级特征通道之间信息差异的捕捉对于提高COD任务检测性能很有帮助。这是之前设计模块忽视的地方，可以这一点引入后续的模型的改进中，来提高当前模型的检测性能。