基于密集多尺度自注意力变换网络的伪装对象分割方法

为了充分地发挥深度自注意力变换网络在伪装对象分割任务中的潜力,提出一种基于密集多尺度自注意力变换网络的伪装对象分割方法,包含双分支可分离密集多尺度特征提取和快速注意力诱导的跨级交互融合2个模块.首先以自注意力变换网络作为骨干特征提取器获取各级特征;然后将提取的特征馈送到双分支可分离密集多尺度特征提取模块,在局部分支和全局分支中,利用密集递进相连的深度可分离卷积块提取丰富的多尺度上下文特征;最后使用快速注意力诱导的跨级交互融合模块融合各级特征,并利用每级融合特征预测伪装映射,通过深度监督让各级特征在空间上保持高度一致性,尽可能地集中注意力于伪装特征而避免背景噪声的干扰.在CHAMELEON,CAMO,COD10K和NC4K这4个基准数据集上,与其他28种主流模型进行定性可视化对比,以及针对PR曲线、S值、F值、E值及MAE这5种评价指标的定量对比实验结果表明,所提出的基于密集多尺度自注意力变换网络是一种有效的伪装对象分割模型.