PulseAugur
中
实时 13:07:16
English(EN) Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception

新的HCL框架通过测试时自适应增强伪装感知

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一个名为分层一致性学习（HCL）的新框架，以提高目标检测中的伪装感知能力。该方法通过引入测试时自适应来动态重新校准表示，克服了传统静态训练的局限性。HCL利用分层表示重建和任务亲和力引导来增强对外观同质化和语义漂移的鲁棒性，同时原型一致性校准确保语义不变性。实验表明，HCL在各种基准测试中优于现有方法，在分布变化下表现出强大的泛化能力。 AI

影响 这项研究可能带来更鲁棒的AI系统，能够识别具有挑战性的视觉条件下的物体，从而提高监控和自主系统的性能。

排序理由 该集群包含一篇详细介绍新研究框架和方法的学术论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的HCL框架通过测试时自适应增强伪装感知

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Mingfeng Zha, Tianyu Li, Guoqing Wang, Yunqiang Pei, Chaofan Qiao, Jiening Zhang, Yang Yang, Heng Tao Shen ·

    面向伪装感知中测试时自适应的分层一致性学习

    arXiv:2605.25651v1 Announce Type: new Abstract: Camouflaged object detection (COD) aims to localize targets that exhibit minimal perceptual differences from backgrounds through physical attributes. Existing methods, constrained by the static train-then-freeze paradigm, suffer fro…

  2. arXiv cs.CV TIER_1 English(EN) · Heng Tao Shen ·

    面向伪装感知中测试时自适应的分层一致性学习

    Camouflaged object detection (COD) aims to localize targets that exhibit minimal perceptual differences from backgrounds through physical attributes. Existing methods, constrained by the static train-then-freeze paradigm, suffer from domain rigidity and annotation dependency, lim…

相关实体

相关话题