一种用于伪装目标检测中测试时适应的层次一致性学习方法

本发明公开了一种用于伪装目标检测中测试时适应的层次一致性学习方法，该方法集成了测试时自适应以实现动态表示的重新校准。具体来说，本发明设计了分层表示重建(HRR)，通过将空间重建与双流频域分解相结合来缓解特征纠缠，从而增强对外观同质化的鲁棒性。像素和频谱推理提供了结构和上下文先验。本发明进一步引入任务亲和指导(TAG)，通过通道级亲和性在分支之间传播知识，调整局部区分线索，减轻语义漂移。为了确保语义不变性，本发明提出了原型一致性校准(PCC)，将区域特征聚合为紧凑原型并建立原型‑特征相似性。这施加了隐式和分层约束，弥合了任务和表示之间的差距。在四个COD基准和三种退化设置下的广泛实验表明，本发明在性能上始终优于最先进的方法，突显了其在分布变化下的有效性和泛化能力。