高分辨率 underwater camouflaged object 检测：GBU-UCOD 数据集与拓扑感知、频率解耦网络
计算机视觉与模式识别
2026-02-04 v1
摘要
水下伪装目标检测 (UCOD) 是由于目标在不同海洋深度下的极端视觉相似性导致其具有挑战性。现有方法在处理深海中细长生物体的拓扑碎片化问题以及透明生物体的细微特征提取方面常常力不从众。本文提出了 DeepTopo-Net，一种集成拓扑感知建模与频率解耦感知的新型框架。为解决物理退化问题，我们设计了水下自适应感知器 (WCAP)，其采用黎曼度量张量对卷积采样场进行动态形变。此外，我们开发了深渊拓扑细化模块 (ATRM)，通过骨架先验保持细长目标的结构连通性。具体而言，我们首次引入 GBU-UCOD，即专为海洋垂直分布区划构建的第一个高分辨率 (2K) 基准，填补了海沟和深渊区域的数据鸿沟。针对 MAS3K、RMAS 以及我们提出的 GBU-UCOD 数据集进行大量实验，表明 DeepTopo-Net 在保持复杂水下图案形态完整性方面实现了最先进的性能。该数据集和代码将发布于 https://github.com/Wuwenji18/GBU-UCOD。
引用
@article{arxiv.2602.03591,
title = {High-Resolution Underwater Camouflaged Object Detection: GBU-UCOD Dataset and Topology-Aware and Frequency-Decoupled Networks},
author = {Wenji Wu and Shuo Ye and Yiyu Liu and Jiguang He and Zhuo Wang and Zitong Yu},
journal= {arXiv preprint arXiv:2602.03591},
year = {2026}
}