伪装目标检测：ZoomIn and Out: AMixed-scale Triplet Network for Camouflaged Object Detection（CVPR 2022）

ZoomNet 是一项针对伪装目标检测任务提出的创新性方法，受人类“放大-缩小”观察行为启发，构建了一个混合尺度三分支网络。该方法通过多尺度特征提取（Triplet Encoder）、尺度融合模块（SIUs）与分层混合尺度解码器（HMUs）协同挖掘微弱语义差异，显著增强模型对低对比度、模糊边界目标的识别能力。同时，引入不确定性感知损失（UAL）以提升对模糊区域的鲁棒性，在多个COD数据集上全面超越现有主流方法，展现出卓越的检测性能与良好的泛化能力。

模型结构：

整体流程：

一、输入：Mixed-scale 图像

• 模拟人眼“缩放”观察模糊目标的过程。

• 图像被缩放为三个尺度：

  • 主尺度（Main Scale）：1.0×

  • 辅助尺度（Auxiliary Scales）：0.5× 和 1.5×

• 三个尺度共享一套编码器结构，统一提取多尺度信息。

二、Triplet Feature Encoder（三分支特征编码器）

• 包含两个子模块：

  • E-Net：特征提取（用的是 ResNet-50 前几层）

  • C-Net：通道压缩（用于降维和减少计算）

• 三个尺度图像分别经过 E-Net 和 C-Net，输出多尺度的五层特征金字塔。

三、Scale Merging Layer（尺度融合层）

• 中间的蓝色部分。

• 每一层（共5层）分别包含一个 SIU（Scale Integration Unit），用于融合多尺度特征。

• 融合方式：

  • 辅助尺度（0.5×、1.5×）通过插值对齐主尺度（1.0×）的分辨率；

  • 计算每尺度的注意力权重；

  • 三尺度加权融合 → 输出一个融合特征。

四、Hierarchical Mixed-scale Decoder（层级式混合尺度解码器）

• 类似 U-Net 的结构，采用 Top-down 逐层上采样融合。

• 每一层融合模块是一个 HMU（Hierarchical Mixed-scale Unit），作用：

  • 通道分组：将通道划分为若干组，组内串联处理；

  • 通道调制：自动调节每组通道的重要性；

  • 增强多尺度特征表达能力。

• 每个 HMU 输出特征都会上采样（×2）与上层融合。

 五、Supervision（监督与损失函数）

• 解码器最终输出为预测概率图 Pred。

• 使用两种损失进行训练：

  1. BCE（Binary Cross Entropy）Loss：与 GT 标签直接比对；

  2. UAL（Uncertainty-aware Loss）：增强对模糊/不确定区域的区分能力。

• 联合优化，提升目标边缘、低置信度区域的检测质量。

模块：

尺度融合单元（Scale Integration Unit, SIU）：将三个不同