一种基于任意模态辅助的伪装目标分割方法

一种基于任意模态辅助的伪装目标分割方法，其通过多模态数据融合提升伪装目标的检测精度。该方法包括多模态分割器UniSEG和跨模态知识学习网络UniLearner。UniSEG采用双分支架构，分别提取RGB图像和其他模态图像的特征，并通过潜在空间融合模块LSFM进行初步融合。状态空间融合机制SSFM结合跨状态空间模型CSSM在统一状态空间内进一步融合特征。UniLearner则通过编码器‑解码器结构学习RGB图像与目标模态之间的映射关系，生成伪模态图像和语义丰富的潜在向量，并将其注入UniSEG的特定层，以提升特征提取和融合效果。该方法具有即插即用的灵活性，可无缝集成到现有分割网络中，广泛适用于生态、医学和地表监测等领域，显著提升了伪装目标分割的性能和鲁棒性。