Camouflaged Object Segmentation With Distraction Mining(PFNet)

论文开发一个生物启发的定位和聚焦网络（Positioning and Focus Network， PFNet），包含两个关键模块，即定位模块（Positioning Module，PM）和聚焦模块（Focus Module，FM）。PM 被设计用来模仿捕食中的检测过程，从全局的角度定位潜在的目标物体，然后FM 被用来执行捕食中的识别过程，通过在歧义区域的聚焦来逐步细化粗糙的预测结果。

PM 由一个通道注意力模块和一个空间注意力模块组成，来捕获通道和空间位置方面的长范围的语义依赖，从而从全局角度推断伪装物体的初始位置。FM首先基于前景注意（或者背景注意）特征进行多尺度的上下文探索，发现假阳性（或者假阴性）干扰，然后去除这些干扰，得到目标物体更纯净的表示。

PM 模块

Untitled

FM 模块

本文首先对更高级别的预测进行上采样，然后使用 sigmoid 层对其进行归一化。将此归一化图及其取反版本与当前级别的特征 $F_c$ 相乘，分别生成前景注意的特征 $F_{fa}$ 和背景注意的特征 $F_{ba}$。最后，本文将这两种类型的特征送入两个并行的上下文探索（CE）模块中来执行上下文推理，以分别发现假阳性分心 $F_{fpd}$ 和假阴性分心 $F_{fnd}$。

Untitled

在分心发现之后，本文可以按以下方式进行分心去除：

$$ \begin{aligned} F _ { u p } & = U \left( C B R \left( F _ { h } \right) \right) \\ F _ { r } & = B R \left( F _ { u p } - \alpha F _ { f p d } \right) \\ F _ { r } ^ { \prime } & = B R \left( F _ { r } + \beta F _ { f n d } \right) \end{aligned} $$

最后，在细化后的特征上应用卷积层，得到更准确的预测结果 $F'_r$。