[论文解读] Deep Texture-Aware Features for Camouflaged Object Detection

Jingjing Ren, Xiaowei Hu+6 more|arXiv (Cornell University)|Feb 5, 2021

Visual Attention and Saliency Detection参考文献 36被引用 32

一句话总结

本论文提出 TANet，一种深度纹理感知的细化框架（TARM），放大纹理差异以提高伪装物体检测，在 COD 基准上达到最先进的结果。

ABSTRACT

Camouflaged object detection is a challenging task that aims to identify objects having similar texture to the surroundings. This paper presents to amplify the subtle texture difference between camouflaged objects and the background for camouflaged object detection by formulating multiple texture-aware refinement modules to learn the texture-aware features in a deep convolutional neural network. The texture-aware refinement module computes the covariance matrices of feature responses to extract the texture information, designs an affinity loss to learn a set of parameter maps that help to separate the texture between camouflaged objects and the background, and adopts a boundary-consistency loss to explore the object detail structures.We evaluate our network on the benchmark dataset for camouflaged object detection both qualitatively and quantitatively. Experimental results show that our approach outperforms various state-of-the-art methods by a large margin.

研究动机与目标

• 将伪装物体检测（COD）动机化为一个背景相似度下的纹理区分挑战。
• 提出纹理感知的细化模块，以学习并放大伪装物体与背景之间的纹理差异。
• 引入边界一致性损失，以改善物体细节和边界准确性。
• 在标准基准上对比最先进的 COD、SOD 与语义分割方法进行评估。
• 通过定性可视化和定量指标展示改进。

提出的方法

• 在多个纹理感知细化模块（TARMs）遍及 CNN 各层的 TANet 架构中进行引入。
• 在每个 TARM 内，计算逐像素的通道响应协方差矩阵以捕捉纹理信息。
• 学习基于亲和性的参数映射（gamma，beta）以变换特征并放大纹理差异。
• 对高分辨率映射应用边界一致性损失以在物体边界处保持细节。
• 通过多层次监督和残差细化块对纹理细化前的特征进行细化。
• 使用标准 COD 指标（S_alpha、E_phi、F_beta^w、MAE）在三个基准数据集上进行评测。

(a) input image

实验结果

研究问题

• RQ1 纹理感知的细化是否能在伪装物体与相似纹理背景之间提高辨别能力？
• RQ2 基于协方差的纹理特征加上亲和性变换是否能提升 COD 性能超越现有方法？
• RQ3 边界一致性损失是否在不增加测试成本的前提下改善边界细节？
• RQ4 与 COD 基准上的最先进 COD、SOD 与语义分割方法相比，TANet 的表现如何？

主要发现

• TANet 在 CHAMELEON、CAMO-Test 和 COD10K-Test 的平均性能优于 13 种最先进方法。
• 在 TANet（我们的方法）上，CHAMELEON 的 S_alpha=0.888，E_phi=0.911，F_beta^w=0.786，M=0.036；CAMO-Test 的 S_alpha=0.793，E_phi=0.834，F_beta^w=0.690，M=0.083；COD10K-Test 的 S_alpha=0.803，E_phi=0.848，F_beta^w=0.629，M=0.041。
• 相比 SINet，TANet 在三个数据集上获得更高的 S_alpha、E_phi 和 F_beta^w，并且 MAE 更低。
• 消融研究表明，加入 Residual Refine Blocks（RRB）和带边界一致性损失的 TARMs（BCL）可逐步提高 COD 指标。
• 边界一致性损失在不增加测试成本的前提下提升 TARMs 的边界质量和细节。
• 定性可视化显示 TANet 能放大纹理差异并生成更准确的 COD 图。

(b) ground truth