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Applied Intelligence（影响因子：5.3）发表研究论文，论文题目为《Multi-scale pooling learning for camouflaged instance segmentation》。

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）侧重于处理试图融入到背景中的实例。然而，现有的CIS方法强调全局交互，而忽略了不同尺度上的隐藏线索，导致对伪装实例的识别不准确。为了解决这个问题，该论文提出了一个多尺度池化网络（MSPNet）来挖掘不同尺度上伪装实例所提供的隐藏线索。该网络主要通过多层池化实现了多尺度信息的增强融合。具体来说，利用金字塔池化Transformer（P2T）作为提取多尺度特征的鲁棒骨干。然后，引入一个端到端池化学习Transformer（PLT）来获得具有实例感知参数和高质量的掩码特征。为了进一步增强多尺度掩码特征的融合，设计了一种新的多尺度互补特征池化（MCFP）模块。此外，还提出了一个具有融合空间注意力的实例归一化模块（FSA-IN）来结合实例感知参数和掩码特征，从而得到最终的伪装实例。实验结果表明，MSPNet在COD10K-Test和NC4K数据集上的有效性超过了现有的CIS模型，其AP得分分别为49.6%和53.4%。这证明了所提方法在检测伪装实例方面的有效性。