伪装的艺术：面向动物检测与分割的小样本学习

伪装目标检测与分割是计算机视觉中一个新兴且具有挑战性的研究课题。在自然场景中，诸如伪装动物等隐蔽目标存在严重的数据匮乏问题。本文针对伪装目标检测与分割的小样本学习问题展开研究。为此，我们首先收集了一个新数据集 CAMO-FS 用于基准测试。由于伪装实例因其与周围环境的相似性而难以识别，我们引导模型获取能够高度区分实例与背景的伪装特征。在这项工作中，我们提出了 FS-CDIS，一个通过两个损失函数辅助训练过程来高效检测与分割伪装实例的框架。首先，采用以区分锚点（即所有伪装前景点的均值）与背景点为特征的实例三元组损失在实例层面发挥作用。其次，为了在类别层面巩固泛化能力，我们提出实例记忆存储，用于存储同类别伪装特征，使模型在学习过程中能够进一步捕获类别级信息。大量实验表明，我们所提方法在新建数据集上取得了最先进的性能。代码见 https://github.com/danhntd/FS-CDIS。