Mutual Graph Learning for Camouflaged Object Detection
Zhai_Mutual_Graph_Learning_for_Camouflaged_Object_Detection_CVPR_2021_paper.pdf
Mutual Graph Learning for Camouflaged Object Detection阅读笔记_Ma lidong的博客-CSDN博客
由于前景对象和背景环境之间的内在相似性使得深度模型提取的特征无法区分, 为了克服这一挑战，一个理想的模型应该能够从给定的场景中寻找有价值的额外线索，并将它们整合到一个联合学习框架中，以实现表征的共同增强。在此启发下，我们设计了一种新的基于图、交互式学习的伪装目标检测方法，叫做交互式图学习模型（MGL）。具体来说，MGL将一幅图像解耦为两个任务（COD和COEE）的特征图 —— 一个用于大致定位目标，另一个用于准确捕捉其边界细节, 并通过图对它们的高阶关系进行反复推理，充分挖掘其互利性。重要的是，与大多数使用共享函数来模拟所有任务间相互作用的 mutual learning 方法相比，MGL配备了类型化的函数来处理不同的互补关系，以最大化信息的交互。
MGL主要由三个部分组成: Multi-Task Feature Extraction (MTFE), Region-Induced Graph Reasoning (RIGR) module和Edge-Constricted Graph Reasoning (ECGR)。
给定输入图像 $I(H×W×3)$，使用multi-task backbone解耦为两个特定于任务的表示。$F_C(h×w×c)$用于粗略的检测目标(COD)，$F_E(h×w×c)$ 用于正确的捕捉真实边缘(COEE)。
$$ \mathbf { F } _ { C } = f _ { \mathrm { MTFE } } \left( \mathbf { I } ; \Theta _ { \mathrm { MTFE } } \right) , \quad \mathbf { F } _ { E } = f _ { \mathrm { MTFE } } \left( \mathbf { I } ; \Theta _ { \mathrm { MTFE } } \right) $$
$f_{\text{MTFE}}$ 是 multi-task backbone network（一个多分支的基于ResNet的FCN网络）。
RIGR旨在推理COD内部以及COD和COEE之间的引导区域语义关系，而不考虑局部细节。它由四个操作/功能组成：图投影 $f_{\text{Gproj}}$，交图交互 $f_{\text{CGI}}$，图推理 $f{\text{GR}}$ 和图重投影 $f{\text{Rproj}}$。