传统伪装效果评估方法仅关注图像底层特征,特征提取依赖于先验知识,导致其鲁棒性较低、迁移性较差、检测性能欠佳。YOLO系列网络模型的引入虽提升了评估效率,但准确性仍有待提升。针对这些问题,提出了基于孪生多尺度特征和注意力机制的...传统伪装效果评估方法仅关注图像底层特征,特征提取依赖于先验知识,导致其鲁棒性较低、迁移性较差、检测性能欠佳。YOLO系列网络模型的引入虽提升了评估效率,但准确性仍有待提升。针对这些问题,提出了基于孪生多尺度特征和注意力机制的迷彩伪装效果评估模型SMANet(Siamese multiscale features and attention network)。通过基于特征融合与边缘检测的模型F2-EDNet(feature fusion and edge detection net)的主干网络,提取伪装目标及其所处背景的多尺度上下文特征信息,并引入基于注意力机制的相似度预测模块,模拟人眼观察事物的注意力行为,细化了图像特征信息,进一步提升了模型对有效特征的敏感度。实验结果表明,SMANet模型准确率、精确率以及召回率分别达到80%、75%和80%,相比传统的和基于YOLO模型的伪装效果评估方法,更接近人眼视觉的真实感知。展开更多
文摘传统伪装效果评估方法仅关注图像底层特征,特征提取依赖于先验知识,导致其鲁棒性较低、迁移性较差、检测性能欠佳。YOLO系列网络模型的引入虽提升了评估效率,但准确性仍有待提升。针对这些问题,提出了基于孪生多尺度特征和注意力机制的迷彩伪装效果评估模型SMANet(Siamese multiscale features and attention network)。通过基于特征融合与边缘检测的模型F2-EDNet(feature fusion and edge detection net)的主干网络,提取伪装目标及其所处背景的多尺度上下文特征信息,并引入基于注意力机制的相似度预测模块,模拟人眼观察事物的注意力行为,细化了图像特征信息,进一步提升了模型对有效特征的敏感度。实验结果表明,SMANet模型准确率、精确率以及召回率分别达到80%、75%和80%,相比传统的和基于YOLO模型的伪装效果评估方法,更接近人眼视觉的真实感知。
