揭示属性对成功伪装的影响：一种文本与视觉相结合的分析策略

在伪装目标分割（COS）领域，尽管分割性能持续提升，但有效伪装的底层机制仍鲜为人知，类似于一个黑箱。为了弥补这一空白，我们首次开展了研究伪装属性对伪装效果影响的研究，为伪装设计评估提供了一个量化框架。为支持此分析，我们构建了第一个包含伪装物体描述及其属性贡献的数据集，称为COD-Text And X-attributions (COD-TAX)。此外，受人类信息处理层级过程的启发——从对总体场景的高层文本描述，到局部区域的中层概括，再到用于详细分析的低层像素数据——我们开发了一个结合文本和视觉信息的稳健框架，用于伪装目标分割任务，命名为Attribution CUe Modeling with Eye-fixation Network (ACUMEN)。ACUMEN在三个广泛使用的数据集上表现出优越的性能，超越了九种领先方法。最后，我们总结了从所识别的属性中得出的关键见解。代码：https://github.com/lyu-yx/ACUMEN。