超级会员免费看
本文介绍了伪装目标检测的基本概念，分析了传统手工特征方法和基于深度学习方法的优缺点。重点阐述了深度学习在伪装检测中的应用，包括ANet、MirrorNet、SINet等网络结构，以及它们在伪装目标检测和分割中的性能。实验表明，深度学习方法在伪装检测中表现出优越性能，但依赖大量标注数据和复杂的网络设计。
摘要
伪装检测作为一个新兴研究方向，其目标是将隐藏在图像背景中的目标对象快速准确地检测出来，可应用于物种保护和军事监测等领域，具有较高的应用价值。介绍伪装目标检测的基本概念，并按照伪装检测算法所采用的关键技术进行分类，具体从传统的伪装检测方法和基于深度学习的伪装检测方法两大类进行论述，详细地分析相关方法的原理和技术细节。并且，介绍伪装目标检测与分割相关数据集和性能评价指标，并对代表性算法进行实验对比和性能分析，得出基于深度学习的伪装检测方法效果更好。
0 引言
伪装检测/分割是利用计算机视觉和机器学习等技术对图像或视频进行特征表示，从而将隐藏在图像背景环境中的目标对象检测出来[1]。由于伪装目标的外观特征与背景很接近，导致对伪装目标进行特征表示比较困难。图
订阅专栏 解锁全文
333
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
