典型文献
基于迁移学习和注意力机制的伪装图像分割
文献摘要：
不同于常规目标,伪装目标特征模糊、尺度信息复杂多变、检测和分割难度更高.在现有伪装数据集基础上,提出了一种结合迁移学习和有效通道注意力的UNet网络伪装图像分割方法.首先,针对伪装目标特征模糊难以有效提取的问题,在UNet的下采样和上采样过程中,引入一种有效通道注意力机制,在不增加网络参数的同时,提高有效区域的特征权重;并将在ImageNet预训练好的视觉几何组(visual geometry group,VGG)系列网络迁移到UNet网络中,实现特征迁移和参数共享,提高模型的泛化能力,降低训练效果对数据集的依赖,减少训练成本;在训练过程中引入FocalLoss函数,增加难挖掘样本权重,提高对困难样本关注度;最后通过解码网络得到分割结果.在CHAMELEON、CAMO和COD10K数据集上进行了测试,相比原始算法,性能指标有显著提升.
文献关键词：
伪装图像;图像分割;注意力机制;迁移学习
中图分类号：
作者姓名：
吴涛;王伦文;朱敬成
作者机构：
国防科技大学电子对抗学院,安徽合肥230037
文献出处：
引用格式：
[1]吴涛;王伦文;朱敬成-.基于迁移学习和注意力机制的伪装图像分割)[J].系统工程与电子技术,2022(02):376-384
A类：
伪装图像,CHAMELEON,CAMO
B类：
迁移学习,图像分割,伪装目标,目标特征,尺度信息,UNet,分割方法,有效提取,下采样,上采样,有效通道注意力机制,网络参数,有效区域,特征权重,ImageNet,预训练,练好,视觉几何,visual,geometry,group,VGG,特征迁移,参数共享,泛化能力,训练效果,少训练,练成,训练过程,FocalLoss,样本权重,困难样本,解码,COD10K,标有
AB值：
0.432163
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
