A tarefa de segmentação de alvos camuflados consiste em classificar e localizar com precisão alvos que são altamente semelhantes ao fundo utilizando máscaras de segmentação em nível de pixel, sendo mais desafiadora em comparação com a segmentação tradicional de alvos. Para lidar com problemas como alta semelhança entre o alvo e o ambiente, contornos borrados e baixo contraste, foi desenvolvido um método de segmentação de alvos camuflados baseado em reforço de bordas e fusão de características. Primeiro, foi projetado um conjunto de módulos de extração de bordas capazes de segmentar de forma mais precisa as prioridades eficazes de borda. Em seguida, foram introduzidos módulos de aprimoramento de características em múltiplas escalas e módulos de agregação de características entre camadas, explorando informações contextuais multiescala dentro e entre camadas, respectivamente. Foi proposto um módulo simples de atenção entre camadas que utiliza as diferenças entre camadas adjacentes para filtrar efetivamente as informações de interferência após a fusão. Por fim, ao combinar progressivamente os mapas de características de cada nível com a prioridade de borda, obtêm-se resultados de previsão precisos. Os resultados experimentais mostram que, em 4 conjuntos de dados de referência de alvos camuflados, este modelo supera outros algoritmos. O valor ponderado de F aumentou 2,4%, o erro absoluto médio diminuiu 7,2% e a velocidade de segmentação atingiu 44,2 FPS em hardware RTX 2080Ti. Comparado aos métodos existentes, este algoritmo pode segmentar alvos camuflados com maior precisão.

aprendizado profundo;alvos camuflados;segmentação de imagens;características de borda;fusão de características