论文 *Uncertainty-guided Transformer Reasoning for Camouflaged Object Detection* 的发表年份为 2023 年[^1]。此研究针对伪装物体检测任务中的挑战，提出了利用伪边缘标签的不确定性来提升检测效果的方法，并结合了变压器架构的优势以更好地捕捉长距离依赖性和局部特征细节[^1]。 --- ### 相关背景补充 伪装物体检测（Camouflaged Object Detection, COD）是一项复杂的计算机视觉任务，旨在发现与背景高度融合的目标对象。尽管卷积神经网络（CNNs）在此领域取得了一定进展，但在处理复杂场景时仍显不足。近年来，基于变压器（Transformers）的模型因其强大的全局上下文建模能力而受到关注。本文提出的不确定性引导方法进一步优化了解码器中的特征聚合过程，显著提升了检测精度[^2]。 此外，该工作不仅改进了伪装物体检测的效果，还为其他弱监督学习任务提供了新的思路，例如弱监督目标定位（Weakly Supervised Object Localization, WSOL），这在相关研究中也有体现[^3]。 --- ### 示例代码：如何检索论文元数据 以下是一个简单的 Python 脚本示例，用于从公开数据库中获取指定论文的相关信息： ```python import requests def get_paper_info(title): base_url = "https://api.semanticscholar.org/graph/v1/paper/search" params = { "query": title, "limit": 1 } headers = {"Content-Type": "application/json"} response = requests.get(base_url, params=params, headers=headers) if response.status_code == 200: data = response.json() if data['data']: paper_data = data['data'][0] return { 'title': paper_data['title'], 'year': paper_data['year'] } return None # 查询论文信息 paper_title = "Uncertainty-guided Transformer Reasoning for Camouflaged Object Detection" info = get_paper_info(paper_title) if info: print(f"Title: {info['title']}, Year: {info['year']}") else: print("Paper information not found.") ``` ---