La tâche de segmentation des objets camouflés consiste à classer et localiser avec précision des objets très similaires à l’arrière-plan en utilisant des masques de segmentation au niveau pixel, ce qui est plus difficile que la segmentation d’objets traditionnelle. En raison de la forte similarité entre l’objet et l’environnement, des contours flous et un faible contraste, une méthode de segmentation des objets camouflés basée sur le renforcement des contours et la fusion des caractéristiques a été développée. Tout d’abord, un ensemble de modules d’extraction des contours a été conçu pour segmenter avec plus de précision les priorités des contours efficaces. Ensuite, des modules d’amélioration des caractéristiques multi-échelles et d’agrégation des caractéristiques inter-couches ont été introduits, explorant respectivement les informations contextuelles multi-échelles à l’intérieur et entre les couches. Un module d’attention inter-couche simple a été proposé, utilisant les différences entre couches adjacentes pour filtrer efficacement les informations parasites après fusion. Enfin, en combinant progressivement les cartes de caractéristiques à chaque niveau avec les priorités de contour, des résultats de prédiction précis sont obtenus. Les résultats expérimentaux montrent que sur 4 ensembles de données de référence pour les objets camouflés, ce modèle surpasse les autres algorithmes. La valeur F pondérée a augmenté de 2,4 %, l’erreur absolue moyenne a diminué de 7,2 %, et la vitesse de segmentation a atteint 44,2 FPS sur le matériel RTX 2080Ti. Par rapport aux méthodes existantes, cet algorithme peut segmenter les objets camouflés plus précisément.

apprentissage profond;objets camouflés;segmentation d’images;caractéristiques des contours;fusion des caractéristiques