面向真实场景的伪装目标检测：基准与方法
计算机视觉与模式识别
2025-01-14 v1
摘要
伪装目标检测（COD）主要依赖于语义或实例分割方法。尽管这些方法在识别伪装目标轮廓方面取得了显著进展，但对于仅需要目标具体位置的任务而言，它们可能效率低下或成本高昂。目标检测算法为此类真实场景伪装目标检测（RCOD）提供了优化方案。然而，由于目标与背景特征的高度相似性，检测伪装目标仍然是一项艰巨的挑战。与通过逐像素比较来区分前景和背景的分割方法不同，目标检测器省略了这种分析，进一步加剧了挑战。为解决这一问题，我们提出了一种伪装感知特征细化（CAFR）策略。由于伪装目标并非稀有类别，CAFR充分利用大型模型先验知识中对当前目标的清晰感知，帮助检测器深入理解背景与前景之间的区别。具体而言，在CAFR中，我们引入了自适应梯度传播（AGP）模块，该模块微调大型检测模型中的所有特征提取器层，以从伪装上下文中充分细化类别特定特征。然后，我们设计了稀疏特征细化（SFR）模块，该模块优化基于Transformer的特征提取器，使其主要专注于在伪装场景中捕获类别特定特征。为促进RCOD任务的评估，我们在三个现有分割COD数据集上手动标注了检测所需的标签，为RCOD任务创建了一个新的基准。代码和数据集可在 https://github.com/zhimengXin/RCOD 获取。
引用
@article{arxiv.2501.07297,
title = {Toward Realistic Camouflaged Object Detection: Benchmarks and Method},
author = {Zhimeng Xin and Tianxu Wu and Shiming Chen and Shuo Ye and Zijing Xie and Yixiong Zou and Xinge You and Yufei Guo},
journal= {arXiv preprint arXiv:2501.07297},
year = {2025}
}