基于频率感知与对比学习的弱监督伪装物体检测框架
计算机视觉与模式识别
2026-03-25 v1
摘要
现有伪装物体检测（COD）方法通常依赖完全监督学习，依赖掩码标注。然而，获取掩码标注耗时且费力。与完全监督方法相比，现有弱监督COD方法表现显著较差。即便针对Segment Anything Model（SAM），在处理弱监督伪装物体检测（WSCOD）时仍面临挑战：包括非伪装目标响应、局部响应、极端响应以及缺乏精细边界感知，导致伪装场景下的不理想结果。为此，我们提出基于频率感知与对比学习的WSCOD框架，命名为FCL-COD。为缓解非伪装目标响应问题，提出频率感知低秩适应（FoRA）方法，将频率感知的伪装场景知识整合到SAM中。为克服局部和极端响应挑战，引入梯度感知对比学习方法，有效描绘精确的前景-背景边界。此外，为解决缺乏精细边界感知的问题，提出多尺度频率感知表征学习策略，促进更精细边界的建模。我们在三个广受认可的数据集上进行大量实证实验，结果表明该方法优于最新方法，包括弱监督甚至完全监督技术。
引用
@article{arxiv.2603.22969,
title = {FCL-COD: Weakly Supervised Camouflaged Object Detection with Frequency-aware and Contrastive Learning},
author = {Jingchen Ni and Quan Zhang and Dan Jiang and Keyu Lv and Ke Zhang and Chun Yuan},
journal= {arXiv preprint arXiv:2603.22969},
year = {2026}
}
备注
CVPR 2026 Findings