基于上下文感知与层次化特征融合的伪装小目标检测

来源：信号处理杂志 2025年第7期北京时间：

作者：刘周勇, 杨绿溪

摘要：伪装目标检测能够在复杂背景中识别隐藏目标，是影响计算机视觉系统性能的关键因素之一，在智能安全监控、环境感知检测和智能感知系统等领域具有广泛的应用价值，为提升系统的目标识别精度与可靠性提供了重要支撑。随着深度学习技术的迅速发展，基于深度神经网络 （Deep Neural Networks， DNNs）的伪装目标检测算法在检测性能上取得了显著提升。然而，当前的算法在检测伪装小目标（目标占图像面积不足10%）方面仍然面临挑战，面临漏检和误检的问题。针对这一问题，本文提出了一种基于上下文感知和层次化特征融合的伪装小目标检测算法CAHNet （Context-Aware and Hierarchical Network）。CAHNet的核心模块包括语义引导的层次化跨尺度融合模块 （Semantic-Guided Hierarchical Cross-Scale Fusion Module， SG-HCSFM）和补丁集成的层次化解码模块 （Patch-Integrated Hierarchical Decoding Module， PI-HDM）。在编码阶段，SG-HCSFM通过语义引导实现跨尺度的上下文特征信息融合，从而增强CAHNet的多尺度特征表达能力；在解码阶段，PI-HDM利用补丁集成机制赋予CAHNet更广泛的空间上下文感知能力，有效提升解码特征的全局与局部上下文关联性，从而增强对伪装目标的语义理解，进而提高检测性能。此外，本文构建了四个新的伪装小目标测试集，即CHAMELEON-ts、CAMO-ts、COD10K-ts和NC4K-ts，专门用于评估CAHNet的小目标检测能力。实验结果表明，CAHNet在伪装小目标检测方面表现优异，在检测精度上整体优于主流先进算法。

关键词：伪装目标检测, 深度神经网络, 上下文感知