IJCAI2021
Yujia Sun, Geng Chen, Tao Zhou, Yi Zhang, and Nian Liu
論文位址
一、簡介
提出了C2F-Net，其融合了跨級别特征，并考慮了豐富的全局上下文資訊。
提出了一個上下文感覺子產品DGCM，它利用全局上下文資訊對特征進行了增強。
将跨級特征通過ACFM子產品進行有效融合，
二、方法
Context-aware Cross-level Fusion Network for Camouflaged Object Detection閱讀筆記一、簡介二、方法三、實驗 2.1 注意力引導的交叉融合子產品（ACFM）
對于僞裝資料集，僞裝對象在圖中的尺寸通常是變化的。為此，引入MSCA多尺度通道注意力機制來提出ACFM，以有效地融合多尺度特征。
Context-aware Cross-level Fusion Network for Camouflaged Object Detection閱讀筆記一、簡介二、方法三、實驗 MSCA對不同尺度目标具有很強地适應性。MSCA結構如上圖所示，它有兩個分支。一個分支使用全局平均池化層來獲得全局上下文資訊，以強調全球分布地大型物體；另一個分支維持原特征大小以擷取局部上下文資訊以忽略小對象。
MSCA使用點卷積（1×1卷積）來壓縮通道，進而聚合多尺度通道上下文資訊。
不同尺度的特征對任務有不同的貢獻，并且多個尺度的特征融合可以互相補充，以獲得全面的特征表示。
Context-aware Cross-level Fusion Network for Camouflaged Object Detection閱讀筆記一、簡介二、方法三、實驗 低級特征具有更高的空間分辨率，需要更多的計算資源，但是對模型的性能貢獻較少，是以我們隻在進階特征中進行ACFM。
ACFM結構如上圖所示。其公式如下：
Context-aware Cross-level Fusion Network for Camouflaged Object Detection閱讀筆記一、簡介二、方法三、實驗 其中，M表示MSCA子產品；F表示輸入特征。
2.2 雙分支全局上下文子產品（DGCM）
Context-aware Cross-level Fusion Network for Camouflaged Object Detection閱讀筆記一、簡介二、方法三、實驗 全局上下文資訊對提高僞裝對象檢測性能至關重要，為此，提出了DGCM來提出全局上下文資訊。其結構如上圖所示。
DGCM公式如下：
Context-aware Cross-level Fusion Network for Camouflaged Object Detection閱讀筆記一、簡介二、方法三、實驗 C表示卷積，P表示平均池化層，M表示MSCA子產品，U表示上采樣操作。
DGCM用來增強特征，使用的模型可以在訓練階段在特定尺度自适應的提取多尺度資訊。
2.3 損失函數
Context-aware Cross-level Fusion Network for Camouflaged Object Detection閱讀筆記一、簡介二、方法三、實驗 三、實驗
Context-aware Cross-level Fusion Network for Camouflaged Object Detection閱讀筆記一、簡介二、方法三、實驗 Context-aware Cross-level Fusion Network for Camouflaged Object Detection閱讀筆記一、簡介二、方法三、實驗 
