Oct, 2023

协作伪装对象检测：大规模数据集和基准测试

PDF
TL;DR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
collaborative camouflaged object detectioncocoddatasetbaseline modelperformance evaluation
发现论文，激发创造
  • CoFiNet: 多尺度精细展示揭秘伪装物体

    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

  • 隐蔽物品检测

    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

  • 边界引导伪装物体检测

    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

  • 伪装目标检测

    本文介绍了 Ref-COD 任务，提供了一个用于识别迷彩物体的 R2CNet 框架，该框架在实验中证明其优于 COD 模型，并通过 R2C7K 数据集进行验证。

    Jun, 2023

  • 特征引入与干扰物感知的伪装物体检测

    本研究提出了一种新的特征融合和多干扰物注视的网络，用于解决融入环境中的伪装目标检测问题，并通过自行构建的 ACOD2K 数据集验证其性能。

    Jul, 2023

  • 基于大型模型的指代伪装物体检测

    提出一种基于大型模型的多层次知识引导的多模态方法，用于参考化伪装目标检测（Ref-COD），实现语义智能和内在知识的全面利用，达到了与参考相对应的伪装目标和伪装场景的渐进感知，并深度对齐文本参考与伪装照片。

    Nov, 2023

  • CamoDiffusion: 基于条件扩散模型的伪装物体检测

    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

  • 不确定性感知联合醒目物体和伪装物体检测

    该论文提出了一种利用对立信息来增强视觉显著目标检测和迷彩目标检测能力的新模式，实现了基于对立性空间的性质模块的相似度测量和网络置信度估计。

    Apr, 2021

  • 同时定位、分割和排列伪装物体

    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

  • 基于涂鸦标注的弱监督伪装目标检测

    本文提出了一种基于 scribble annotations 的弱监督 camouflaged object detection 方法，通过构建包括一致性损失和特征引导损失的模型以及引入两个新模块（LCC 模块和 LSR 模块），实现了结构信息和语义关系的学习和利用，并在三个检测基准上的表现均优于其他当前流行方法。

    Jul, 2022