CGCOD：基于类的伪装物体检测
计算机视觉与模式识别
2025-09-09 v2 机器学习
摘要
伪装物体检测 (COD) 旨在识别融合到背景中的物体。伪装物体固有的视觉复杂性，包括其与背景的低对比度、多样化的纹理以及细微的外观变化，往往会遮蔽语义线索，导致准确分割高度具有挑战性。现有方法主要依赖视觉特征，无法处理伪装物体的变异性和复杂性，导致物体感知不稳定和模糊的分割结果。为克服这些限制，我们提出了一种新任务：基于类的伪装物体检测 (CGCOD)，通过融合物体特定的类知识来增强检测的鲁棒性和准确性。为支持此任务，我们提出了一个新数据集 CamoClass，包含具有类标注的真实世界伪装物体。此外，我们提出了一个多阶段框架 CGNet，包含可插拔的类提示生成器和简洁而有效的类导向检测器。这一框架为 COD 树立了新的范式，弥合了情境理解与类导向检测之间的差距。大量实验结果表明，我们灵活的框架在利用类级文本信息提升现有和所提检测器性能方面效果显著。
关键词
引用
@article{arxiv.2412.18977,
title = {CGCOD: Class-Guided Camouflaged Object Detection},
author = {Chenxi Zhang and Qing Zhang and Jiayun Wu and Youwei Pang},
journal= {arXiv preprint arXiv:2412.18977},
year = {2025}
}