迈向对伪装目标检测的更深理解
计算机视觉与模式识别
2023-01-04 v2
摘要
野外的猎物进化出伪装以逃避被捕食者识别。以此方式，伪装作为一种跨物种的关键防御机制，对生存至关重要。为检测并分割伪装对象的整体范围，伪装目标检测（COD）被引入作为一种二值分割任务，其二值真值伪装图指示了伪装目标的确切区域。本文重新审视该任务，并论证二值分割设定未能充分理解伪装的概念。我们发现，显式建模伪装对象相对于其特定背景的显著性，不仅能带来对伪装更好的理解，还能为设计更复杂的伪装技术提供指导。此外，我们观察到正是伪装对象的某些特定部分使其能被捕食者察觉。基于对上述伪装对象的理解，我们提出了首个三任务学习框架，同时定位、分割并排序伪装对象，以指示伪装的显著性水平。由于定位模型与排序模型均无相应数据集，我们利用眼动仪生成定位图，随后依据实例级标签进行处理以生成我们基于排序的训练与测试数据集。我们还贡献了最大的 COD 测试集，以全面分析 COD 模型的性能。实验结果表明，我们的三任务学习框架取得了新的最先进水平，催生了一个更具可解释性的 COD 网络。我们的代码、数据与结果可见于：\url{https://github.com/JingZhang617/COD-Rank-Localize-and-Segment}。
引用
@article{arxiv.2205.11333,
title = {Towards Deeper Understanding of Camouflaged Object Detection},
author = {Yunqiu Lv and Jing Zhang and Yuchao Dai and Aixuan Li and Nick Barnes and Deng-Ping Fan},
journal= {arXiv preprint arXiv:2205.11333},
year = {2023}
}
备注
IEEE Transactions on Circuits and Systems for Video Technology 2023