隐蔽物品检测
全文提供了对一项名为协作伪装目标检测(CoCOD)的新任务的全面研究,其目的是同时从一组相关图像中检测具有相同属性的伪装目标。为此,我们细致地构建了首个大规模数据集 CoCOD8K,该数据集包含 8528 张高质量且精选图像,带有目标遮罩注释,覆盖 5 个超类别和 70 个子类别。该数据集涵盖了各种自然和人工伪装场景,具有多样的目标外观和背景,因此对于 CoCOD 来说是一个非常具有挑战性的数据集。此外,我们提出了 CoCOD 的首个基准模型,名为双向分支网络(BBNet),该模型分别在单个图像内和图像组内探索和整合共伪装线索,以实现对给定图像中伪装目标的准确检测。这是通过一种图像间协作特征探索(CFE)模块、一种图像内目标特征搜索(OFS)模块和一种局部 - 全局细化(LGR)模块实现的。我们在提议的 CoCOD8K 数据集上对 18 种最先进的模型进行了性能评估,其中包括 12 种 COD 算法和 6 种 CoSOD 算法,采用了 5 种广泛使用的评估指标。广泛的实验表明了所提出方法的有效性以及与其他竞争方法相比显著更优越的性能。我们希望我们提出的数据集和模型能够促进 COD 社区的发展。该数据集、模型和结果将可在此网址获取: https://this-URL
Oct, 2023
我们提出了一种边界引导网络(BGNet)来进行伪装目标检测,该方法在三个数据集上都比现有技术高出很多,并利用边缘语义来引导特征学习,从而促进精确边界定位的伪装目标检测。
Jul, 2022
本研究通过建立 Rank-Net 模型,结合 camouflaged object detection 技术和 conspicuousness 的概念,来探讨动物进化中的 Camouflage 技术,并提出一个可以定位、分割和排名 Camouflaged 目标的方法。实验结果表明,该模型取得了新的最先进水平,使 Camouflaged 目标的检测更具可解释性。
Mar, 2021
提出了一种名为 CoFiNet 的新方法,专注于多尺度特征融合与提取,通过细节特征的有效分割来提高其对伪装对象的检测能力,同时采用粗到细的策略、多尺度特征集成模块、多激活选择核模块和双掩模策略等技术手段,在四个不同数据集上进行了全面实验,证明了 CoFiNet 在伪装对象检测方面的出色性能和广泛应用潜力。
Feb, 2024
本文提出了一种简单而有效的基于 Vision Transformer(ViT)的网络(SENet),通过采用一种基于不对称 ViT 的编码器 - 解码器结构的简单设计,在隐藏目标检测和显著目标检测两个任务上取得了有竞争力的结果,在精细设计的复杂网络上展现出更大的多样性。
Feb, 2024
在计算机视觉中,把伪装目标检测(Camouflaged Object Detection,COD)视为基于扩散模型的条件掩蔽生成任务,提出了一种名为 CamoDiffusion 的方法,它使用扩散模型的去噪过程来迭代地减少掩蔽的噪声,其随机采样的过程使得其模型能够从掩蔽分布中采样多个可能的预测,避免了过分预测错误的问题,该文的实验表明,与现有最先进的方法相比,在三个 COD 数据集上,特别是在最具挑战性的 COD10K 数据集上,我们的方法达到了 0.019 的 MAE(平均绝对误差),表现出优越的性能。
May, 2023
通过在频域中在频域中使用可学习和可分离的频率感知机制,我们提出了一种能够在众多具有挑战性场景中准确检测到隐藏对象的方法,该方法包括频率引导的粗定位阶段和保持细节的精细定位阶段,并通过多级特征提取、优先引导校正和跨层特征通道关联等步骤实现校正和定位。与现有模型相比,我们提出的方法在三个流行的基准数据集上在定性和定量方面取得了有竞争力的性能。
Aug, 2023
提出了一种新的视频伪装目标检测 (VCOD) 框架,可以利用短期动态和长期时间一致性来检测视频帧中的伪装目标,采用单一优化框架统一了运动估计和对象分割,并使用空间 - 时间变换器从而有效地处理视频的时间动态,提供了一个名为 MoCA-Mask 的大规模 VCOD 数据集,为该方向的研究建立了综合性的基准测试。
Mar, 2022