合成到真实的伪装物体检测
计算机视觉与模式识别
2025-09-30 v3
摘要
由于采集和标注成本高昂，伪装物体检测 (COD) 数据集相对较少。特别是对于某些特定类别，现有图像数据集样本不足。合成数据集可在一定程度上缓解数据有限的问题。然而，直接使用合成数据集相较于真实数据集会导致模型性能下降。为解决此问题，本文研究了一种新任务，即 Syn-to-Real 伪装物体检测 (S2R-COD)。为提高实际场景中的模型性能，必须利用一组带标注的合成伪装图像和有限数量的未标注真实图像。我们提出了循环 Syn-to-Real 域适应框架 (CSRDA)，一种基于学生-教师模型的方法。具体而言，CSRDA 通过伪标记结合一致性正则化，将源域的类别信息传递到未标注的目标域。考虑到缩小类内间隙可提高伪标记质量，CSRDA 利用循环学习框架构建演化的真实域，以桥接源域和目标域。大量实验表明，我们的框架有效缓解了 COD 领域数据有限和手工标注不足的问题。我们的代码已公开：https://github.com/Muscape/S2R-COD。
引用
@article{arxiv.2507.18911,
title = {Synthetic-to-Real Camouflaged Object Detection},
author = {Zhihao Luo and Luojun Lin and Zheng Lin},
journal= {arXiv preprint arXiv:2507.18911},
year = {2025}
}
备注
Accepted by ACM MM 2025