隐藏目标检测
计算机视觉与模式识别
2024-02-21 v2
摘要
我们首次对隐藏目标检测（COD）进行了系统性研究，该任务旨在识别“完美”嵌入其背景中的目标。隐藏目标与其背景之间高度的内在相似性使得 COD 远比传统目标检测/分割更具挑战性。为了更好地理解该任务，我们收集了一个大规模数据集，称为 COD10K，其包含 10,000 张图像，覆盖来自 78 个目标类别的多样真实场景中的隐藏目标。此外，我们提供了丰富的标注，包括目标类别、目标边界、挑战性属性、目标级标签和实例级标注。我们的 COD10K 是迄今最大的 COD 数据集，具有最丰富的标注，能够支持全面的隐藏目标理解，甚至可用于推动检测、分割、分类等其他若干视觉任务的进展。受动物在野外捕猎的启发，我们还设计了一个简单但强力的 COD 基线，称为搜索识别网络（SINet）。无需任何花哨技巧，SINet 在所有测试数据集上均优于 12 个前沿基线，使其成为鲁棒、通用的架构，可作为未来 COD 研究的催化剂。最后，我们给出了一些有趣发现，并强调了若干潜在应用与未来方向。为激发该新领域的研究，我们的代码、数据集与在线演示可在项目主页获取：http://mmcheng.net/cod。
引用
@article{arxiv.2102.10274,
title = {Concealed Object Detection},
author = {Deng-Ping Fan and Ge-Peng Ji and Ming-Ming Cheng and Ling Shao},
journal= {arXiv preprint arXiv:2102.10274},
year = {2024}
}
备注
17 pages, 27 figures, Code: https://github.com/GewelsJI/SINet-V2