协作式伪装目标检测：一个大规模数据集与基准
计算机视觉与模式识别
2023-10-09 v1
摘要
本文对一项称为协作式伪装目标检测（CoCOD）的新任务进行了全面研究，该任务旨在从一组相关图像中同时检测具有相同属性的伪装目标。为此，我们精心构建了首个大规模数据集，称为 CoCOD8K，其包含 8,528 张高质量且经细致筛选的、带有目标掩码标注的图像，涵盖 5 个超类与 70 个子类。该数据集跨越了广泛的天然与人工伪装场景，具有多样的目标外观与背景，使其成为极具挑战性的 CoCOD 数据集。此外，我们提出了首个 CoCOD 基线模型，称为双边分支网络（BBNet），其分别探索并聚合单张图像内与一组图像间的共伪装线索，以在给定图像中实现准确的伪装目标检测。这通过图像间协作特征探索（CFE）模块、图像内目标特征搜索（OFS）模块以及局部-全局精炼（LGR）模块实现。我们在所提出的 CoCOD8K 数据集上，基于 5 种广泛使用的评价指标，对 18 个最先进模型（包括 12 个 COD 算法与 6 个 CoSOD 算法）进行了基准测试。大量实验证明了所提方法的有效性，以及相较于其他竞争模型的显著优越性能。我们希望所提出的数据集与模型能推动 COD 领域的发展。数据集、模型与结果将发布于：https://github.com/zc199823/BBNet--CoCOD。
引用
@article{arxiv.2310.04253,
title = {Collaborative Camouflaged Object Detection: A Large-Scale Dataset and Benchmark},
author = {Cong Zhang and Hongbo Bi and Tian-Zhu Xiang and Ranwan Wu and Jinghui Tong and Xiufang Wang},
journal= {arXiv preprint arXiv:2310.04253},
year = {2023}
}
备注
Accepted by IEEE Transactions on Neural Networks and Learning Systems (TNNLS)