論文の概要: Towards Deeper Understanding of Camouflaged Object Detection

• arxiv url: http://arxiv.org/abs/2205.11333v1
• Date: Mon, 23 May 2022 14:26:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 18:07:11.881801
• Title: Towards Deeper Understanding of Camouflaged Object Detection
• Title（参考訳）: カモフラージュ物体検出のより深い理解に向けて
• Authors: Yunqiu Lv, Jing Zhang, Yuchao Dai, Aixuan Li, Nick Barnes, Deng-Ping Fan
• Abstract要約: バイナリセグメンテーション設定は、カモフラージュの概念を完全に理解できない。 そこで本研究では,カモフラージュされたオブジェクトの局所化,セグメント化,ランク付けを同時に行う3段階学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 64.81987999832032
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Preys in the wild evolve to be camouflaged to avoid being recognized by predators. In this way, camouflage acts as a key defence mechanism across species that is critical to survival. To detect and segment the whole scope of a camouflaged object, camouflaged object detection (COD) is introduced as a binary segmentation task, with the binary ground truth camouflage map indicating the exact regions of the camouflaged objects. In this paper, we revisit this task and argue that the binary segmentation setting fails to fully understand the concept of camouflage. We find that explicitly modeling the conspicuousness of camouflaged objects against their particular backgrounds can not only lead to a better understanding about camouflage, but also provide guidance to designing more sophisticated camouflage techniques. Furthermore, we observe that it is some specific parts of camouflaged objects that make them detectable by predators. With the above understanding about camouflaged objects, we present the first triple-task learning framework to simultaneously localize, segment and rank camouflaged objects, indicating the conspicuousness level of camouflage. As no corresponding datasets exist for either the localization model or the ranking model, we generate localization maps with an eye tracker, which are then processed according to the instance level labels to generate our ranking-based training and testing dataset. We also contribute the largest COD testing set to comprehensively analyse performance of the camouflaged object detection models. Experimental results show that our triple-task learning framework achieves new state-of-the-art, leading to a more explainable camouflaged object detection network. Our code, data and results are available at: https://github.com/JingZhang617/COD-Rank-Localize-and-Segment.
• Abstract（参考訳）: 野生の獲物は捕食者によって認識されるのを避けるためにカモフラージュされるように進化する。 このように、カモフラージュは生存に必須な種間の重要な防御機構として機能する。 カモフラージュされた物体の全範囲を検出するために、カモフラージュされた物体の正確な領域を示す二元的真実カモフラージュマップを用いて、カモフラージュされた物体検出(COD)を二元的セグメンテーションタスクとして導入する。 本稿では,この課題を再検討し,二項セグメンテーション設定はカモフラージュの概念を完全に理解できないと主張する。 カモフラージュされた物体の特定の背景に対する目立たしさを明示的にモデル化することは、カモフラージュの理解を深めるだけでなく、より洗練されたカモフラージュ技術を設計するためのガイダンスを提供する。 さらに, 捕食者によって検出可能なカモフラージュ対象の特定の部分であることも観察した。 カモフラージュオブジェクトに関する上記の理解から,カモフラージュオブジェクトのローカライズ,セグメンテーション,ランク付けを同時に行う,最初のトリプルタスク学習フレームワークを提案する。 ローカライゼーションモデルとランキングモデルの両方に対応するデータセットが存在しないため、アイトラッカを用いたローカライゼーションマップを生成し、インスタンスレベルラベルに従って処理し、ランキングベースのトレーニングおよびテストデータセットを生成する。 また,カモフラーグオブジェクト検出モデルの性能を包括的に解析するために,最大規模のCODテストセットも提案する。 実験の結果,トリプルタスク学習フレームワークが新たな最先端技術を実現し,より説明可能なcamouflaged object detection networkを実現していることがわかった。 私たちのコード、データ、結果は、https://github.com/JingZhang617/COD-Rank-Localize-and-Segment.comで利用可能です。

関連論文リスト

• The Making and Breaking of Camouflage [95.37449361842656]
  背景特徴と前景特徴の類似性と境界視認性によってカモフラージュを測定することができることを示す。 提案したカモフラージュスコアを補助的損失として生成モデルに組み込んで,有効カモフラージュ画像やビデオがスケーラブルに合成可能であることを示す。
  論文  参考訳（メタデータ） (2023-09-07T17:58:05Z)
• Camouflaged Image Synthesis Is All You Need to Boost Camouflaged Detection [65.8867003376637]
  本研究では,カモフラージュデータの合成フレームワークを提案する。 提案手法では,既存の物体検出モデルのトレーニングに使用可能な,現実的なカモフラージュ画像の生成に生成モデルを用いる。 我々のフレームワークは3つのデータセット上で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-08-13T06:55:05Z)
• Referring Camouflaged Object Detection [97.90911862979355]
  Ref-COD は、特定のカモフラージュされたオブジェクトを、サルエントターゲットオブジェクトによる参照画像の小さなセットに基づいて分割することを目的としている。 R2C7Kと呼ばれる大規模なデータセットは、実世界のシナリオで64のオブジェクトカテゴリをカバーする7Kイメージで構成されています。
  論文  参考訳（メタデータ） (2023-06-13T04:15:37Z)
• The Art of Camouflage: Few-Shot Learning for Animal Detection and Segmentation [21.047026366450197]
  カモフラージュされた物体の検出とセグメンテーションにおける数ショット学習の問題に対処する。 そこで我々は, Camouflaged インスタンスを効率的に検出・分割するフレームワーク FS-CDIS を提案する。 提案手法は,新たに収集したデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-04-15T01:33:14Z)
• CamoFormer: Masked Separable Attention for Camouflaged Object Detection [94.2870722866853]
  カモフラージュされた物体検出のための単純なマスク付き分離型注意(MSA)を提案する。 まず,マルチヘッド・セルフアテンションを3つの部分に分割し,異なるマスキング戦略を用いて,背景からカモフラージュした物体を識別する役割を担っている。 提案手法では,MSAを用いた単純なトップダウンデコーダを用いて,高精度なセグメンテーション結果を得るために,高分解能なセグメンテーション表現を段階的にキャプチャする。
  論文  参考訳（メタデータ） (2022-12-10T10:03:27Z)
• Depth-Guided Camouflaged Object Detection [31.99397550848777]
  生物学の研究は、深度がカモフラージュされた物体の発見に有用な物体の局在の手がかりとなることを示唆している。 深度情報はカモフラージュされた物体検出には使われていない。 本稿では,既存の単分子深度推定法から事前計算した深度マップを用いた深度誘導型カモフラージュ物体検出ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-24T17:51:31Z)
• Simultaneously Localize, Segment and Rank the Camouflaged Objects [55.46101599577343]
  camouflaged object detectionは、周囲に隠されているcamouflaged objectsを分割することを目的としている。 私たちは、カモフラージュされた物体の目立ちを特定の背景に明確にモデル化することは、カモフラージュと動物の進化をよりよく理解するのに役立つと主張しています。 迷彩オブジェクトを同時にローカライズ、セグメント化、ランク付けする最初のランキングベースのCODネットワーク(Rank-Net)を紹介します。
  論文  参考訳（メタデータ） (2021-03-06T02:53:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。