论文地址：

https://arxiv.org/abs/2207.00794

代码地址：

https://github.com/thograce/BGNet

伪装物体检测（COD）是一项有价值但富有挑战性的任务，它可以分割出与周围环境完美融合的物体。现有的深度学习方法往往难以准确识别具有完整和明确对象结构的伪装对象。

为此，在本文中，作者提出了一种新的边界引导网络（BGNet）用于伪装目标检测。本文的方法探索了有价值的和额外的与对象相关的边缘语义，以指导COD的表示学习，这迫使模型生成突出对象结构的特征，从而促进精确边界定位的伪装对象检测。

在三个具有挑战性的基准数据集上进行的大量实验表明，在四个广泛使用的评估指标下，本文的BGNet显著优于现有的18种最先进的方法。

内容中包含的图片若涉及版权问题，请及时与我们联系删除