La tarea de segmentación de objetivos camuflados consiste en clasificar y localizar con precisión objetivos que son muy similares al fondo utilizando máscaras de segmentación a nivel de píxel, lo que es más desafiante en comparación con la segmentación tradicional de objetivos. Debido a la alta similitud entre el objetivo y el entorno, los bordes difusos y el bajo contraste, se desarrolló un método de segmentación de objetivos camuflados basado en el refuerzo de bordes y la fusión de características. Primero, se diseñó un conjunto de módulos de extracción de bordes que pueden segmentar con mayor precisión las prioridades efectivas de los bordes. Luego, se introdujeron módulos de mejora de características a múltiples escalas y módulos de agregación de características entre capas, que exploran información contextual multiescala dentro de la capa y entre capas respectivamente. Se propuso un módulo de atención intercapas simple que utiliza las diferencias entre capas adyacentes para filtrar eficazmente la información de interferencia presente después de la fusión. Finalmente, al combinar gradualmente el mapa de características de cada nivel con la prioridad de borde, se obtienen resultados de predicción precisos. Los resultados experimentales muestran que en 4 conjuntos de datos de referencia de objetivos camuflados, este modelo supera a otros algoritmos. El valor ponderado de F aumentó un 2.4%, el error absoluto medio se redujo en un 7.2%, y la velocidad de segmentación alcanzó los 44.2 FPS en hardware RTX 2080Ti. En comparación con los métodos existentes, este algoritmo puede segmentar objetivos camuflados con mayor precisión.

aprendizaje profundo;objetivos camuflados;segmentación de imágenes;características de borde;fusión de características