野外伪装实例分割：数据集、方法与基准套件
计算机视觉与模式识别
2021-12-14 v4
摘要
本文推进了将图像中的伪装区域分解为有意义组分（即伪装实例）的研究。为推动野外图像伪装实例分割这一新任务，我们引入了一个名为 CAMO++ 的数据集，它在数量和多样性方面扩展了我们的初步 CAMO 数据集（伪装物体分割）。新数据集大幅增加了具有分层像素级真值标注的图像数量。我们还为该伪装实例分割任务提供了一个基准套件。特别地，我们在新构建的 CAMO++ 数据集上对各种场景下最先进的实例分割方法进行了广泛评估。我们还提出了一种用于伪装实例分割的伪装融合学习（CFL）框架，以进一步提升最先进方法的性能。该数据集、模型、评估套件和基准将在我们的项目页面公开：https://sites.google.com/view/ltnghia/research/camo_plus_plus
引用
@article{arxiv.2103.17123,
title = {Camouflaged Instance Segmentation In-The-Wild: Dataset, Method, and Benchmark Suite},
author = {Trung-Nghia Le and Yubo Cao and Tan-Cong Nguyen and Minh-Quan Le and Khanh-Duy Nguyen and Thanh-Toan Do and Minh-Triet Tran and Tam V. Nguyen},
journal= {arXiv preprint arXiv:2103.17123},
year = {2021}
}
备注
TIP acceptance. Project page: https://sites.google.com/view/ltnghia/research/camo_plus_plus