近日，3499cc拉斯维加斯2021级电子信息专业研究生李臣以第一作者在SCI二区期刊IEEE Signal Processing Letters（影响因子：3.9）发表研究论文，论文题目为《Camouflaged Instance Segmentation from Global Capture to Local Refinement》。

该论文是湖南省研究生科研创新项目资助的重要成果之一，在我校焦铬教授的指导下完成，3499cc拉斯维加斯为唯一署名单位。论文核心理论是：伪装实例分割（CIS）旨在分割无缝嵌入到周围环境中的实例。现有的CIS方法往往侧重于利用全局信息，而忽略了局部信息，导致特征表示不完整，精度降低。为了解决这个问题，该论文提出了一个针对CIS的全局到局部网络（GLNet），利用全局和局部信息来增强特征表示和分割。具体来说，GLNet由两个主要部分组成：全局捕捉和局部细化。在全局捕捉中，引入了一种新的双分支卷积前馈网络（Dual-FFN），旨在更有效地捕获复杂场景中的伪装实例。在局部细化过程中，设计了一个U型特征融合模块（UFFM）和一个边缘引导融合模块（EFM）。这些模块通过级联促进了多尺度特征的融合。因此，该网络获得了一种增强识别伪装实例复杂细节的能力。实验结果表明，GLNet优于现有的方法，在COD10K-Test上的AP得分为49.3%。