基于置信分区蒸馏与骨架诱导细节重构的无监督伪装目标检测方法、电子设备和存储介质

本发明属于计算机视觉，特别是指一种基于置信分区蒸馏与骨架诱导细节重构的无监督伪装目标检测方法、电子设备和存储介质。

背景技术：

1、无监督伪装目标检测（unsupervised camouflaged object detection）旨在不依赖像素级人工标注的条件下，从图像中识别出与周围背景在颜色、纹理、形状及结构上高度相似的伪装目标。由于伪装目标与背景之间的视觉差异极为微弱，该任务不仅要求模型具备从复杂环境中发现隐蔽目标的能力，还必须在缺乏真实标注监督的前提下，维持目标区域定位的稳定性和边界结构的完整性。因此，该技术在复杂开放环境智能感知、生态监测、隐蔽目标发现等应用场景中具有重要的研究价值和实际意义。

2、为抑制伪标签噪声，现有技术通常采用两类改进策略：其一，通过迭代更新或动态调整伪标签，使模型预测结果反向优化伪标签质量；其二，利用高层语义特征或不确定性估计对伪标签进行筛选和过滤，以降低噪声干扰。这些方法在一定程度上能够削弱明显的背景噪声，但在伪装目标检测场景中仍存在明显不足。具体而言，一方面，由于伪装目标边界与背景高度相似，仅依赖整体置信度或全局阈值进行伪标签筛选，难以有效区分边界处的混淆区域，导致与目标外观相近的背景区域被持续引入训练过程，污染监督信号。另一方面，过强的噪声过滤虽然有助于提升伪标签中主体区域的纯度，但往往会同时抑制目标边界、细长结构和低对比度细节，使得模型获得的监督信号偏向粗粒度的主体区域，难以恢复完整的目标轮廓。

3、经过分析，现有无监督伪装目标检测方法主要存在以下缺陷：

4、（1）仅依靠全局置信度或固定阈值进行伪标签筛选，无法精细区分伪装目标边界附近的混淆区域，致使背景噪声持续传播；

5、（2）过度的噪声过滤策略虽可提高主体区域的纯度，却容易丢失边界、细长结构和低对比度细节，造成监督信号粗粒度化，影响最终分割的精细度；

6、（3）缺乏对不同置信区域实施差异化学习约束的机制，未能同时兼顾主体区域的稳定性和边界细节的完整性，限制了模型在极端伪装场景下的性能表现。

7、因此，在无监督伪装目标检测领域，如何在不依赖人工标注的前提下，对伪标签噪声进行有效抑制，并进一步利用目标结构信息引导细粒度边界及局部细节的恢复，仍然是亟待解决的关键技术问题。具体而言，亟需一种能够充分利用高置信区域的可靠监督信息、有效抑制低置信混淆区域的背景噪声，并通过结构化细节引导机制重构目标边界与局部细节的检测方法，从而在复杂伪装场景下提升模型的目标定位准确性和分割完整性。

技术实现思路

1、本发明的主要目的在于提供一种基于置信分区蒸馏与骨架诱导细节重构的无监督伪装目标检测方法、电子设备和存储介质，采用了由“伪标签净化与置信分区蒸馏阶段”到“骨架诱导细节重构阶段”的两阶段训练策略，在无需人工像素级标注的条件下，先通过动态伪标签和置信分区蒸馏抑制背景噪声传播并稳定伪装目标的高置信区域表达，再通过骨架诱导的细节区域挖掘和局部温度重缩放恢复伪装目标的边界及细长结构细节，从而实现对与背景高度相似的伪装目标的准确分割，并生成高质量分割掩码。

2、为了达成上述目的，本发明的解决方案之一是：

3、一种基于置信分区蒸馏与骨架诱导细节重构的无监督伪装目标检测方法，基于置信分区蒸馏到骨架诱导细节重构的两阶段训练策略，在无需人工标注的情况下对模型进行训练，实现对与背景高度相似的伪装目标的精准分割，包括如下步骤：

4、步骤1、获取未标注的训练图像样本集，从所述训练图像样本集中选取训练图像，利用预训练的特征提取主干网络dino对所述训练图像进行特征提取，获得所述训练图像的多层级图像特征；基于所述多层级图像特征中的最后一层特征，采用siméoni等人（siméonio, sekkat c, puy g, et al. unsupervised object localization: observing thebackground to discover objects[c]. proceedings of the ieee/cvf conference oncomputer vision and pattern recognition. 2023: 3176-3186.）提出的backgroundseed方法构建所述训练图像的初始伪标签。

5、步骤2、进入第一阶段，即伪标签净化与置信分区蒸馏阶段；基于主体教师初始化（sti）模块，将所述初始伪标签与指数移动平均预测结果进行动态融合，生成动态伪标签，并利用所述动态伪标签训练教师模型，使所述教师模型输出噪声被抑制的伪装目标预测结果。

6、步骤3、在所述第一阶段中，进一步基于置信分区蒸馏（scd）模块训练学生模型；根据所述学生模型预测结果的像素置信度，将预测区域划分为高置信区域和混淆区域；对于所述高置信区域，执行教师-学生一致性蒸馏，以保持可靠目标区域表达；对于所述混淆区域，执行混淆抑制约束，以降低前景与背景高度相似条件下的错误知识传播。

7、步骤4、进入第二阶段，即骨架诱导细节重构阶段；基于主动细节探索（ade）模块，对所述学生模型进行拓扑结构挖掘与局部温度重缩放以获得细节细化标签；使用所述细节细化标签对所述学生模型进行微调，恢复所述学生模型的预测细节。

8、步骤5、对于待检测图像，使用训练完成的学生模型进行预测，获得伪装目标概率图，并对所述伪装目标概率图进行二值化处理，得到最终的伪装目标分割结果。

9、在优选的技术方案中，所述步骤2中，所述主体教师初始化模块训练所述教师模型的过程具体包括以下子步骤：

10、步骤2.1、构建教师模型及其ema副本；其中，教师模型使用weiqi yan等人（yan w, chen l, kou h, et al. ucod-dpl: unsupervised camouflaged objectdetection via dynamic pseudo-label learning[c]. proceedings of the computervision and pattern recognition conference. 2025: 30365-30375.）提出的dba解码器，其参数表示为；ema副本使用与教师模型相同的dba解码器，其参数表示为；在训练过程中ema参数不进行梯度反向传播更新，而是通过计算教师参数的指数移动平均进行更新：

11、；

12、其中，、分别表示更新前后的ema参数，表示训练步；表示动量系数，用于控制更新平滑程度；表示训练步的教师参数。

13、步骤2.2、将多层级图像特征的最后一层特征输入教师模型和ema副本中，获得教师预测和ema预测；将ema预测与初始伪标签进行线性混合，获得动态伪标签；各计算公式分别如下：

14、；

15、；

16、；

17、；

18、其中，表示多层级图像特征的层数；表示sigmoid激活函数；表示当前训练步数；表示总训练步数。

19、步骤2.3、以所述动态伪标签作为监督信号，计算其与所述教师预测之间的二元交叉熵损失：

20、；

21、其中，表示二元交叉熵损失函数。

22、在优选的技术方案中，所述步骤3中，所述置信分区蒸馏模块通过置信度分区策略，在高置信区域强化主体一致性，在混淆区域激发所述学生模型的自判别能力。具体而言，包括以下子步骤：

23、步骤3.1、构建学生模型，所述学生模型使用由peng zheng等人（pengzheng, dehong gao, deng-ping 657 fan, li liu, jorma laaksonen, wanli ouyang,and nicu 658 sebe. bilateral reference for high-resolution dichoto- 659 mousimage segmentation. caai artificial intelligence 660 research, 2024.）提出的birefblock解码器；将多层级图像特征输入所述学生模型中，获得学生预测：

24、。

25、步骤3.2、使用预设的确定性阈值，对所述学生预测按照置信度进行区域划分，划分出高置信区域和混淆区域：

26、；

27、；

28、其中，表示指示函数，当内部的表达式为真时其值为1，否则其值为0。

29、步骤3.3、针对高置信区域，首先构建监督目标，所述监督目标由所述教师预测与所述学生模型的时序稳定预测进行线性混合构成：

30、；

31、；

32、其中，、分别表示更新前后的时序稳定预测；表示学生模型预测时序更新系数。

33、步骤3.4、针对高置信区域，以步骤3.3得到的监督信号作为可靠监督信号，对学生预测进行主体一致性约束，计算高置信区域蒸馏损失：

34、；

35、其中，表示像素坐标；表示高置信掩码在像素坐标的取值；表示分割损失，为二元交叉熵损失、交并比损失、结构相似性损失的组合；表示在像素坐标的学生预测；表示监督目标；表示__。

36、步骤3.5、针对混淆区域，按照预设的参数，分别选取预测值最高与最低的像素，得到潜在前景集合与潜在背景集合；对潜在前景集合与潜在背景集合计算混淆抑制损失：

37、；

38、其中，表示计算集合元素数量的操作；表示计算均方误差的操作；表示混淆区域中被选中像素的学生预测置信度。

39、在优选的技术方案中，所述步骤4中，所述主动细节探索模块通过挖掘预测图的拓扑骨架，并利用自适应局部温度重缩放机制，在保持主体结构不变的前提下，主动锐化模糊边界，生成细粒度伪标签。具体而言，包括以下子步骤：

40、步骤4.1、利用软骨架化操作处理所述学生预测，提取出结构骨架图：

41、；

42、其中，表示提取结构骨架图的操作，由suprosanna shit等人（shit s, paetzold j c, sekuboyina a, et al. cldice-a novel topology-preserving loss function for tubular structure segmentation[c]. proceedingsof the ieee/cvf conference on computer vision and pattern recognition. 2021:16560-16569.）提出；

43、基于所述结构骨架图的连通性将所述学生预测划分为若干不相交连通域集合，至表示划分出的连通域。

44、步骤4.2、对于每一个连通域，计算当前连通域的局部自适应阈值；基于所述局部自适应阈值对当前连通域进行温度重缩放，获得细节细化标签：

45、；

46、；

47、；

48、其中，表示温度重缩放操作；表示logit函数；表示预设的温度缩放参数；表示与连通域对应的二值掩码；表示逐元素乘法。

49、步骤4.3、以所述细节细化标签作为监督信号，计算其与学生预测的细节探索损失：

50、。

51、本发明的解决方案之二是：

52、一种电子设备，包括处理器、存储器和应用程序；所述应用程序被存储在所述存储器中，并被配置为由所述处理器执行所述的基于置信分区蒸馏与骨架诱导细节重构的无监督伪装目标检测方法。

53、本发明的解决方案之三是：

54、一种计算机可读存储介质，所述存储介质存储有计算机程序；所述计算机程序在所述计算机中执行时，使所述计算机执行所述的基于置信分区蒸馏与骨架诱导细节重构的无监督伪装目标检测方法。

55、采用上述技术方案后，本发明具有以下技术效果：

56、（ⅰ）本发明提出一种面向伪标签噪声抑制的无监督伪装目标检测方法，通过置信分区蒸馏与结构化细节重构相结合的方式，对不同可靠程度的预测区域施加差异化学习约束，从而缓解现有方法中背景噪声易传播、边界细节易丢失的问题。

57、（ⅱ）本发明构建了主体教师初始化（sti）模块，利用随训练进程动态变化的伪标签融合机制，将初始伪标签与模型历史预测进行自适应结合，逐步降低初始伪标签中的背景噪声干扰，为后续学生模型学习提供更可靠的主体区域监督信号。

58、（ⅲ）本发明设计了主体一致性蒸馏（scd）模块机制，通过将预测区域划分为高置信度区域与混淆区域，分别实施教师-学生知识迁移与自监督噪声抑制，以减少前景与背景高度相似条件下的错误知识传播。

59、（ⅳ）本发明构建了主动细节探索（ade）模块，利用预测结果中的拓扑骨架信息定位潜在边界和细长结构区域，并结合局部温度重缩放机制生成细粒度伪标签，在无需人工真值标签的条件下增强目标边界、细长结构及局部细节的恢复能力。

60、（ⅴ）本发明能够在无监督训练条件下同时提升伪装目标主体区域的定位稳定性和边界结构的完整性。实验结果表明，本发明在多个伪装目标检测（cod）基准测试集上表现优异，相比于现有的无监督方法，本发明在平均绝对误差（mae）、s-measure、e-measure和f-measure等关键指标上实现了显著提升，并达到甚至超越部分全监督方法的性能水平。