International Research Journal on Advanced Engineering Hub (IRJAEH)·10月5日 · 周一论文农业人工智能与决策模型阅读 0
Camouflaged Object Segmentation Using a U-Net Based Deep Learning Approach
Dharitree Devi · Arpita Prusty · Deepanjali Khadia 等 5 人
International Research Journal on Advanced Engineering Hub (IRJAEH)DOI 10.47392/irjaeh.2026.0707开放获取 PDF ↗
论文解读
0未达精选线
速览
该论文用U-Net深度学习模型对伪装目标进行分割，在MCSIK数据集上平均准确率达70.14%。
方法
采用2D U-Net编码器-解码器架构与跳跃连接，在MCSIK训练集训练、测试集
发现
U-Net在伪装目标分割上表现良好，但真实传感器数据上准确率明显下降。
机会点
可将伪装目标分割迁移至农业场景，如田间害虫、病斑或杂草的隐蔽目标检测，并解决真实传感器数据泛化问题。
影响力0
信息增量0
专业深度0
信源权威0
时效性0
该论文为通用计算机视觉领域的伪装目标分割研究，未涉及农业场景或农业信息化应用，与三农主题无关，不建议进入每日精选。
原文摘要
本文聚焦于伪装目标检测这一计算机视觉任务，其应用领域广泛，包括但不限于军事、安全、生物学和工业。从机器视觉的角度来看，伪装是指目标的纹理、颜色和图案与周围背景难以区分的一种状态，使得将这些目标从背景中分离出来变得困难甚至不可能。这意味着伪装目标检测（COD）的问题范畴远超普通目标检测的范围。为应对COD任务，作者采用了二维U-Net模型，该模型通过使用收缩编码器和扩张解码器并借助跳跃连接，展现了其解决图像分割问题的能力。特别地，选用U-Net架构是因为其能够保持图像中的高细节水平，这在伪装检测中至关重要，与目标检测任务中常用的边界框估计形成对比。该模型在MCSIK训练集上进行训练，并在MCSIK测试集上评估，平均准确率为70.14%。总体而言，U-Net架构在解决伪装目标检测方面具有前景；然而，在真实传感器数据上准确率有明显下降，本文试图进一步解决这一问题。