深度隐蔽场景理解研究进展
计算机视觉与模式识别
2024-02-21 v2
摘要
隐蔽场景理解（CSU）是一个旨在感知具有伪装特性的物体的热门计算机视觉课题。当前技术与应用的热潮亟需一份最新综述。这有助于研究者更好地把握 CSU 全局领域，包括现有成果与尚存挑战。本文做出四项贡献：（1）我们首次提出面向 CSU 的深度学习技术全面综述，涵盖分类体系、任务特有挑战及进展。（2）为权威量化当前最优水平，我们提供了最大且最新的隐蔽物体分割（COS）基准。（3）为评估深度 CSU 在实际场景中的泛化性，我们收集了最大的隐蔽缺陷分割数据集 CDS2K，其含来自多样化工业场景的困难样本，并据此构建了综合基准。（4）我们讨论了 CSU 的开放问题与潜在研究方向。我们的代码与数据集发布于 https://github.com/DengPingFan/CSU，并将持续更新以关注并总结这一快速发展领域的进展。
引用
@article{arxiv.2304.11234,
title = {Advances in Deep Concealed Scene Understanding},
author = {Deng-Ping Fan and Ge-Peng Ji and Peng Xu and Ming-Ming Cheng and Christos Sakaridis and Luc Van Gool},
journal= {arXiv preprint arXiv:2304.11234},
year = {2024}
}
备注
18 pages, 6 figures, 8 tables