基于SAM模型和掩码引导的弱监督伪装物体检测
计算机视觉与模式识别
2026-05-26 v1 人工智能
摘要
从单张图像中检测伪装物体(Camouflaged Object Detection, COD)是一项具有挑战性的任务，由于物体与其周环境的高度相似性。现有的全监督方法需要耗时的像素级标注，使得弱监督方法成为在准确性和标注效率之间寻求的折中方案。然而，弱监督方法常因使用粗糙标注而导致性能下降。本文提出了一种新的弱监督方法，用于克服上述局限性。具体而言，我们提出了 novel 网络MGNet，通过利用我们自定义的级联掩码解码器(CMD)生成的初始掩码来指导分割过程并增强边缘预测。我们引入情境增强模块(CEM)以减少漏检，并提出掩码引导特征聚合模块(MFAM)实现有效特征聚合。对于弱监督挑战，我们提出BoxSAM，利用带边界框提示的Segment Anything Model(SAM)生成伪标签。通过采用冗余处理策略，为MGNet训练提供高质量的像素级伪标签。大量实验表明，我们的方法在当前SOTA方法面前表现竞争力。
引用
@article{arxiv.2605.25385,
title = {Weakly Supervised Camouflaged Object Detection Based on the SAM Model and Mask Guidance},
author = {Xia Li and Xinran Liu and Lin Qi and Junyu Dong},
journal= {arXiv preprint arXiv:2605.25385},
year = {2026}
}
备注
18 pages