Segmentar, Ampliar y Reiterar: Detectando Objetos Camuflados de la Manera Difícil

Es un desafío detectar con precisión objetos camuflados entre sus alrededores altamente similares. Los métodos existentes se basan principalmente en una detección de una sola etapa, mientras que la negligencia de objetos pequeños con bordes finos de baja resolución requiere más operaciones que los más grandes. Para abordar la detección de objetos camuflados (COD), nos inspiramos en la atención humana combinada con la estrategia de detección de grueso a fino, y por lo tanto proponemos un marco de refinamiento iterativo, denominado SegMaR, que integra Segmentar, Ampliar y Reiterar en una detección de múltiples etapas. Específicamente, diseñamos una nueva máscara discriminativa que hace que el modelo se enfoque en las regiones de fijación y bordes. Además, aprovechamos un muestreador basado en atención para magnificar la región del objeto progresivamente sin necesidad de aumentar el tamaño de la imagen. Experimentos exhaustivos muestran que nuestro SegMaR logra mejoras notables y consistentes sobre otros métodos de vanguardia. Especialmente, superamos dos métodos competitivos en un 7.4% y un 20.0% respectivamente en promedio sobre métricas de evaluación estándar en pequeños objetos camuflados. Estudios adicionales proporcionan más perspectivas prometedoras sobre Seg-MaR, incluida su efectividad en la máscara discriminativa y su generalización a otras arquitecturas de red. El código está disponible en https://github.com/dlut-dimt/SegMaR.