科研之友
微信
新浪微博
Facebook
分享链接
摘要
不同于常规目标，伪装目标特征模糊，尺度信息复杂多变，检测和分割难度更高。在现有伪装数据集基础上，提出了一种结合迁移学习和有效通道注意力的UNet网络伪装图像分割方法。首先，针对伪装目标特征模糊难以有效提取的问题，在UNet的下采样和上采样过程中，引入一种有效通道注意力机制，在不增加网络参数的同时，提高有效区域的特征权重；并将在ImageNet预训练好的VGG系列网络迁移到UNet网络中，实现特征迁移和参数共享，提高模型的泛化能力，降低训练效果对数据集的依赖，减少训练成本；在训练过程中引入FocalLoss函数，增加难挖掘样本权重，提高对困难样本关注度；最后通过解码网络得到分割结果。在CHAMELEON、CAMO和COD10K数据集上进行了测试，相比原始算法，性能指标有显著提升。
- 单位
