FCL-COD：具有频率感知和对比学习的弱监督伪装目标检测

现有的伪装物体检测（COD）方法通常依赖于掩模注释指导的完全监督学习。然而，获取掩模注释是耗时且费力的。与完全监督的方法相比，现有的弱监督 COD 方法表现出明显较差的性能。即使对于分段任意模型（SAM），在处理弱监督伪装目标检测（WSCOD）方面仍然存在挑战，例如：非伪装目标反应，b．当地反应，c。极端反应，以及 d.缺乏精细的边界意识，导致伪装场景效果不理想。为了缓解这些问题，我们在本文中提出了一种基于频率感知和对比学习的 WSCOD 框架，名为 FCL-COD。为了缓解非伪装对象响应的问题，我们提出了频率感知低秩适应（FoRA）方法，该方法将频率感知伪装场景知识融入到 SAM 中。为了克服局部和极端响应的挑战，我们引入了一种梯度感知对比学习方法，可以有效地描绘精确的前景-背景边界。此外，为了解决缺乏精细边界感知的问题，我们提出了一种多尺度频率感知表示学习策略，有助于对更精细的边界进行建模。我们通过对三个广泛认可的 COD 基准进行广泛的实证实验来验证我们方法的有效性。结果证实，我们的方法超越了最先进的弱监督甚至完全监督技术。