一种用于伪装目标检测中测试时适应的层次一致性学习方法技术

本发明专利技术公开了一种用于伪装目标检测中测试时适应的层次一致性学习方法，该方法集成了测试时自适应以实现动态表示的重新校准。具体来说，本发明专利技术设计了分层表示重建(HRR)，通过将空间重建与双流频域分解相结合来缓解特征纠缠，从而增强对外观同质化的鲁棒性。像素和频谱推理提供了结构和上下文先验。本发明专利技术进一步引入任务亲和指导(TAG)，通过通道级亲和性在分支之间传播知识，调整局部区分线索，减轻语义漂移。为了确保语义不变性，本发明专利技术提出了原型一致性校准(PCC)，将区域特征聚合为紧凑原型并建立原型‑特征相似性。这施加了隐式和分层约束，弥合了任务和表示之间的差距。在四个COD基准和三种退化设置下的广泛实验表明，本发明专利技术在性能上始终优于最先进的方法，突显了其在分布变化下的有效性和泛化能力。

【技术实现步骤摘要】

本专利技术属于伪装目标检测，更为具体地讲，涉及一种用于伪装目标检测中测试时适应(test-time adaptation，简称tta)的层次一致性学习方法。

技术介绍

1、现有的分割与检测框架在感知显著实体方面取得了显著进展，但对于隐藏目标的检测仍面临挑战。当外观高度相似的物体融入周围环境且缺乏清晰边界时，可能会严重误导下游分析，例如医学影像诊断。伪装目标检测(camouflaged object detection，简称cod)专注于识别和定位与背景在物理属性上几乎没有感知差异的隐藏目标，为稳健的场景理解和可靠的决策提供关键视觉线索。

2、伪装目标检测因目标与背景之间的强烈视觉纠缠而面临根本性挑战，例如纹理模仿和色彩同化。传统方法主要遵循“先训练后冻结”的范式，即在离线数据集上训练模型并以固定参数部署。然而，这种范式在开放世界或退化场景中表现出显著局限性：1)领域刚性：预训练模型缺乏适应多样化测试场景的灵活性(例如光照变化)，导致特征对齐偏差和像素级判别能力下降；2)标注依赖：对有限标注训练数据的严重依赖限制了泛化能力，特别是在长尾或动态伪装本文档来自技高网...

【技术保护点】

1.一种用于伪装目标检测中测试时适应的层次一致性学习方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的用于伪装目标检测中测试时适应的层次一致性学习方法，其特征在于，步骤(1)中，所述的构建通道亲和图，将局部知识从重构分支传播到主检测分支，并计算出预测结果O与真实分割图OGT的结构损失为：

3.根据权利要求2所述的用于伪装目标检测中测试时适应的层次一致性学习方法，其特征在于，步骤(2)中，所述的将空间重建与双流频域分解，将辅助重构任务分解为空间、高频和低频三个部分，每个部分均伴随相应的变换约束，计算出层次表示重构损失为：

4.根据权利要求3所述的...

【技术特征摘要】

1.一种用于伪装目标检测中测试时适应的层次一致性学习方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的用于伪装目标检测中测试时适应的层次一致性学习方法，其特征在于，步骤(1)中，所述的构建通道亲和图，将局部知识从重构分支传播到主检测分支，并计算出预测结果o与真实分割图ogt的结构损失为：

3.根据权利要求2所述的用于伪装目标检测中测试时适应的层次一致性学习方法，其特...

【专利技术属性】
技术研发人员：王国庆，查明峰，裴云强，李天宇，谯超凡，张杰宁，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：