Die Aufgabe der Tarnzielsegmentierung besteht darin, Objekte, die dem Hintergrund sehr ähnlich sind, mit pixelgenauen Segmentierungsmasken genau zu klassifizieren und zu lokalisieren, was im Vergleich zu herkömmlichen Zielsegmentierungsaufgaben eine größere Herausforderung darstellt. Um die Probleme der hohen Ähnlichkeit zwischen Ziel und Umgebung, unscharfer Grenzen und niedrigem Kontrast zu adressieren, wurde eine Tarnzielsegmentierungsmethode basierend auf Kantenerhöhung und Merkmalsfusion entwickelt. Zunächst wurde eine Reihe von Kantenerkennungsmodule entworfen, die effektivere Kantenvorränge genauer segmentieren können. Anschließend wurden ein Mehrskaliges Merkmalsverstärkungsmodul und ein funktionsübergreifendes Merkmalsaggregationsmodul eingeführt, die multiskalige Kontextinformationen innerhalb der Schicht bzw. zwischen den Schichten erschließen. Ein einfaches zwischenlagiges Aufmerksamkeitsmodul wurde vorgeschlagen, das mithilfe von Unterschieden zwischen benachbarten Schichten Störinformationen nach der Fusion effektiv herausfiltern kann. Schließlich werden durch die stufenweise Kombination der Merkmalskarten jeder Ebene mit den Kantenvorrängen genaue Vorhersagen erzielt. Experimentelle Ergebnisse zeigen, dass dieses Modell auf 4 Tarnziel-Benchmark-Datensätzen anderen Algorithmen überlegen ist. Der gewichtete F-Wert wurde um 2,4% verbessert, der durchschnittliche absolute Fehler um 7,2% reduziert, und die Segmentierungsgeschwindigkeit erreichte 44,2 FPS auf RTX 2080Ti-Hardware. Im Vergleich zu bestehenden Methoden kann dieser Algorithmus Tarnziele genauer segmentieren.

Deep Learning;getarnte Ziele;Bildsegmentierung;Kantenmerkmale;Merkmalsfusion