伪装目标检测综述与展望

伪装目标检测(COD)是指识别和分割与环境无缝融合的目标的任务，这对计算机视觉系统构成了重大挑战。近年来，由于其在监控、野生动物保护、自主系统等领域的潜在应用，COD受到了广泛关注。虽然已有若干关于COD的综述，但它们在涵盖的论文数量和范围上通常存在局限性，特别是关于该领域自2023年中期以来的快速进展。为填补这一空白，我们提出了迄今为止最全面的COD综述，涵盖了该领域的理论框架和实践贡献。本文从传统方法和深度学习方法的视角，探讨了图像级和视频级解决方案在内的四个领域的各种COD方法。我们深入研究了COD与其他伪装场景方法之间的相关性，从而为后续分析奠定了理论基础。除了目标级检测，我们还总结了实例级任务的扩展方法，包括伪装实例分割、计数和排序。此外，我们概述了COD任务中常用的基准和评估指标，并在图像和视频领域对基于深度学习的技术进行了全面评估，同时考虑了定性和定量性能。最后，我们讨论了当前COD模型的局限性，并提出了9个有前景的未来研究方向，重点关注解决固有挑战和探索新颖、有意义的技术。感兴趣者可在https://github.com/ChunmingHe/awesome-concealed-object-segmentation找到COD相关技术、数据集和其他资源的精选列表。