C3Net：针对伪装物体检测的上下文对比网络
计算机视觉与模式识别
2025-11-18 v1 人工智能
图像与视频处理
摘要
伪装物体检测识别那些通过相似的颜色、纹理和图案与周围环境无缝融合的物体。该任务挑战了传统分割方法和现代基础模型，这些方法在伪装物体上表现恶劣。我们识别了 COD 中的六个基本挑战：内在相似性、边缘干扰、极端尺度变化、环境复杂性、上下文依赖性以及显著-伪装物体消歧义。这些挑战经常共现并加剧检测的难度，要求综合性的架构解决方案。我们提出了 C3Net，通过一种专门的双路径解码器架构来解决所有挑战。边缘细化路径采用梯度初始化的边缘增强模块来从早期特征中恢复精确边界。上下文局化路径利用我们新颖的基于图像的上下文引导机制实现内在显著性抑制，而无需外部模型。通过空间门控方式，注意力融合模块 synergistically 组合两个路径。C3Net 在 COD10K、CAMO 和 NC4K 上实现了最先进的性能，S-measures 分别为 0.898、0.904 和 0.913，同时保持高效处理。C3Net 证明了复杂且多面的检测挑战需要架构创新，专用组件协同工作以实现全面覆盖，超越孤立性改进。代码、模型权重和结果均可在 https://github.com/Baber-Jan/C3Net 获取。
引用
@article{arxiv.2511.12627,
title = {C3Net: Context-Contrast Network for Camouflaged Object Detection},
author = {Baber Jan and Aiman H. El-Maleh and Abdul Jabbar Siddiqui and Abdul Bais and Saeed Anwar},
journal= {arXiv preprint arXiv:2511.12627},
year = {2025}
}