Задача сегментации замаскированных объектов заключается в точной классификации и локализации объектов, которые имеют высокую схожесть с фоном, с использованием масок сегментации на уровне пикселей, что является более сложной задачей по сравнению с традиционной сегментацией объектов. В связи с высокой схожестью объектов и окружающей среды, размытыми границами и низкой контрастностью была разработана методика сегментации замаскированных объектов на основе усиления краев и слияния признаков. Во-первых, была спроектирована группа модулей извлечения краев, способных более точно сегментировать эффективные приоритеты краев. Затем были введены модули многомасштабного усиления признаков и межслойного агрегационного модуля, которые исследуют многомасштабную контекстную информацию внутри слоя и между слоями соответственно. Был предложен простой межслойный модуль внимания, который эффективно фильтрует помехи, возникающие после слияния, используя различия между соседними слоями. Наконец, путем поэтапного объединения карты признаков каждого уровня с приоритетом краев получаются точные прогнозы. Результаты экспериментов показывают, что на 4 эталонных наборах данных для замаскированных объектов эта модель превосходит другие алгоритмы. В частности, взвешенное значение F увеличилось на 2.4%, средняя абсолютная ошибка уменьшилась на 7.2%, а скорость сегментации на аппаратуре RTX 2080Ti достигла 44.2 кадров в секунду. По сравнению с существующими методами, данный алгоритм способен точнее сегментировать замаскированные объекты.

глубокое обучение;замаскированные объекты;сегментация изображений;признаки краев;слияние признаков