SCOUT: 利用文本和自适应数据选择的半监督伪装物体检测

像素级标注的困难显著阻碍了伪装物体检测（COD）领域的发展。为节省标注成本，先前的方法采用半监督COD框架，依赖少量标记数据和大量未标记数据。我们认为，在有效利用未标记数据方仍有很大的提升空间。为此，我们引入一种利用文本和自适应数据选择的半监督伪装物体检测方法，称为SCOUT（Semi-supervised Camouflaged Object Detection by Utilizing Text and Adaptive Data Selection）。它包含自适应数据增强与选择（ADAS）模块和文本融合模块（TFM）。ADAS模块通过对抗性增强与抽样策略选择有价值的标注数据。TFM模块通过结合伪装相关知识和文本-视觉交互来进一步利用所选的有价值数据。为适配本工作，我们构建了一个新数据集，称为RefTextCOD。大量实验表明，所提方法在COD领域超越了先前的半监督方法，实现了最先进的性能。我们的代码将在 https://github.com/Heartfirey/SCOUT 发布。