边界引导伪装物体检测
本文提出了自适应引导学习网络（AGLNet），它是一种统一的可学习模型，用于在 CNN 模型中探索和调整不同的附加线索，以引导准确的伪装特征学习，并在不同的附加线索下实现了显著的性能改进。
May, 2024
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
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
我们介绍了 GreenCOD，一种用于检测伪装目标的绿色方法，其独特之处在于避免了反向传播技术。GreenCOD 利用了梯度增强和从预训练的深度神经网络（DNNs）中提取的深度特征。该方法显著简化了模型设计，需要更少的参数和操作，并与最先进的深度学习模型相比保持高性能。值得注意的是，我们的模型在没有反向传播的情况下进行训练，并且在少于 20G 的乘积累加操作（MACs）下实现了最佳性能。这种新的更高效的范式为在绿色、无反向传播的模型训练方面提供了进一步探索的机会。
May, 2024
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
本研究提出了针对被隐藏物体的检测任务，提供了名为 COD10K 的大型数据集，涵盖 78 个物体类别的 10,000 个来自不同真实场景的图像，并提供了详细的注释。其中，Search Identification Network（SINet）是一种简单但强大的基线用于 COD，并在测试的所有数据集上击败了 12 个前沿基线。
Feb, 2021
本文提出了一种基于人眼视觉感知的三阶段模型，它可以在单次迭代中进行粗到细的分割，并采用了多尺度特征增强和边界增强模块。此外，还使用了掩码引导并结合了粗略预测图与高分辨率特征图来生成细致的结果。我们的网络表现优于现有 CNN 模型，降低了计算开销并减轻了背景噪声干扰。
May, 2023
本文提出了一种新颖的上下文感知交叉级融合网络（C2F-Net），可以解决伪装对象检测（COD）任务。C2F-Net 采用注意力引导的跨级融合模块（ACFM）和双分支全局上下文模块（DGCM）进行高层特征处理，并在三个广泛使用的基准数据集上进行了大量实验，实验结果表明我们的模型优于现有的最先进模型。
May, 2021
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