MCOD：首个面向多光谱伪装目标检测的挑战性基准
计算机视觉与模式识别
2025-09-22 v1
摘要
伪装目标检测 (COD) 旨在识别无缝融入自然场景的目标。尽管基于RGB的方法已取得进展，但在挑战性条件下其性能仍然受限。多光谱图像提供了丰富的光谱信息，为增强前景与背景的区分提供了有前景的替代方案。然而，现有的COD基准数据集均基于RGB，缺乏对多光谱方法的基本支持，这阻碍了该领域的进展。为了填补这一空白，我们引入了MCOD，这是首个专门为多光谱伪装目标检测设计的挑战性基准数据集。MCOD具有三个主要优势：(i) 全面的挑战属性：它捕捉了COD任务中常见的现实世界困难，如小目标尺寸和极端光照条件；(ii) 多样的现实世界场景：该数据集涵盖了广泛的自然环境，以更好地反映实际应用；(iii) 高质量的像素级标注：每张图像都经过人工标注，具有精确的目标掩码和相应的挑战属性标签。我们在MCOD上对十一种具有代表性的COD方法进行了基准测试，观察到由于任务难度增加，性能出现一致下降。值得注意的是，整合多光谱模态显著缓解了这种退化，突出了光谱信息在增强检测鲁棒性方面的价值。我们期望MCOD能为未来多光谱伪装目标检测研究提供坚实的基础。该数据集可在 https://github.com/yl2900260-bit/MCOD 公开获取。
引用
@article{arxiv.2509.15753,
title = {MCOD: The First Challenging Benchmark for Multispectral Camouflaged Object Detection},
author = {Yang Li and Tingfa Xu and Shuyan Bai and Peifu Liu and Jianan Li},
journal= {arXiv preprint arXiv:2509.15753},
year = {2025}
}