基于多级特征融合的伪装目标分割

付炳阳，曹铁勇，郑云飞，2，3，方 正，王 杨，王烨奎

1.陆军工程大学 指挥控制工程学院，南京210007

2.陆军炮兵防空兵学院南京校区 火力系，南京211100

3.安徽省偏振成像与探测重点实验室，合肥230031

伪装目标分割（camouflaged object segmentation，COS）是计算机视觉中极具挑战性的任务，其目的是从目标与背景高度相似的环境中分割出伪装物体[1]。由于伪装目标与周围环境对比度较低，相比目标与背景有明显差异的常规分割任务，伪装目标分割更加具有难度。

在早期的传统方法中，研究人员将伪装图案视为特殊的纹理区域，针对颜色、纹理等底层特征，运用三维凸算子、灰度共生矩阵、纹理描述符、数学形态学等方法对伪装目标进行分割[2-6]。随着深度学习技术的发展，从图像中提取的深度特征相比于传统底层特征更加通用和有效。因此，研究人员开始利用深度卷积网络（convolutional neural network，CNN）构建伪装目标分割模型。Li等人通过图像增强算法实现目标与背景特征的区分，再利用区域建议网络实现对特定目标的精确定位[7]。Zheng 等人提出针对分割迷彩伪装目标的密集反卷积网络，并利用超像素优化分割结果[8]。卓刘等人引入多尺度的残差神经网络用于识别伪装迷彩目标[9]。Le 等人引入Anabranch Network 提高分割精度[10]。Fang 等人提出利用强语义膨胀网络（strong semantic dilation network，SSDN）从卷积神经网络中提取伪装目标的语义信息[11]。Fan等人将伪装目标分割建模为搜索和识别两个阶段，搜索阶段负责搜索隐蔽目标，识别阶段采用联级方式准确地检测出隐蔽目标[1]。Yan等人结合实例分割和对抗攻击来分割伪装目标，提高分割精度[12]。……