面向开放词汇伪装物体分割的以分类器为中心的自适应框架
计算机视觉与模式识别
2025-09-30 v1
摘要
开放词汇伪装物体分割要求模型分割训练期间未见过的任意类别伪装物体，对泛化能力提出了极高的要求。通过对现有方法的分析，观察到分类组件显著影响整体分割性能。因此，提出了一种以分类器为中心的自适应框架，通过带有新颖分层非对称初始化的轻量级文本适配器改进分类组件，从而增强分割性能。通过分类增强，所提出的方法在 OVCamo 基准上与 OVCoser 基线相比在分割指标上取得了显著提升：cIoU 从 0.443 提升至 0.493，cSm 从 0.579 提升至 0.658，cMAE 从 0.336 降至 0.239。这些结果表明，针对性的分类增强为提升伪装物体分割性能提供了一种有效途径。
引用
@article{arxiv.2509.24681,
title = {Classifier-Centric Adaptive Framework for Open-Vocabulary Camouflaged Object Segmentation},
author = {Hanyu Zhang and Yiming Zhou and Jinxia Zhang},
journal= {arXiv preprint arXiv:2509.24681},
year = {2025}
}