近日，由我院吴杰胜博士等人完成的一篇关于伪装目标检测的研究成果：“Boosting Foreground-Background Disentanglement for Camouflaged Object Detection” 被多媒体领域国际主流期刊ACM Transactions on Multimedia Computing, Communications and Applications录用。

图1 前景-背景解耦网络

在自然界中，某些物体表现出与它们的背景非常相似的模式，这种物体通常称为伪装目标。本文认为，现有的伪装目标检测方法通常面临着对这些物体可判别性不充分的问题，将其归因于缺乏对前景和背景表示的有效解耦。

为了解决这个问题，本文提出了一个新颖的前景-背景解耦网络，该网络增强了前景-背景的分离学习以提高可判别性。具体而言，本文设计了一个边缘引导的前景-背景解耦模块，该模块有助于前景和背景表示的分离学习。此外，本文引入了前后背景的表征学习，通过设计解开头以进一步增强模型的判别能力。该解开头由两个目标组成：边缘目标和前-背景分离目标。进一步，本文提出了三个互补模块：用于初始粗目标检测的上下文聚合模块，用于多尺度信息学习的尺度交互增强金字塔模块以及用于细微线索累积的跨阶段自适应融合模块。广泛的实验表明，本文基于卷积神经网络骨干和基于Transfomer骨干的网络模型超过了在四个公共数据集上的26个最先进的伪装目标检测方法。该成果现已被ACM Transactions on Multimedia Computing, Communications and Applications期刊在线发表https://dl.acm.org/doi/10.1145/3768584（DOI：10.1145/3768584），青年教师吴杰胜博士为论文第一作者，安徽师范大学计算机与信息学院为第一完成单位。

ACM Transactions on Multimedia Computing, Communications and Applications是美国计算机协会（ACM）下多媒体领域的权威期刊，为中国计算机学会CCF推荐的计算机图形学与多媒体领域的B类期刊之一。