論文の概要: The Making and Breaking of Camouflage
- arxiv url: http://arxiv.org/abs/2309.03899v1
- Date: Thu, 7 Sep 2023 17:58:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-08 11:49:09.851287
- Title: The Making and Breaking of Camouflage
- Title（参考訳）: カモフラージュの製作と破壊
- Authors: Hala Lamdouar, Weidi Xie, Andrew Zisserman
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 95.37449361842656
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Not all camouflages are equally effective, as even a partially visible
contour or a slight color difference can make the animal stand out and break
its camouflage. In this paper, we address the question of what makes a
camouflage successful, by proposing three scores for automatically assessing
its effectiveness. In particular, we show that camouflage can be measured by
the similarity between background and foreground features and boundary
visibility. We use these camouflage scores to assess and compare all available
camouflage datasets. We also incorporate the proposed camouflage score into a
generative model as an auxiliary loss and show that effective camouflage images
or videos can be synthesised in a scalable manner. The generated synthetic
dataset is used to train a transformer-based model for segmenting camouflaged
animals in videos. Experimentally, we demonstrate state-of-the-art camouflage
breaking performance on the public MoCA-Mask benchmark.
- Abstract（参考訳）: すべてのカモフラージュが等しく有効であるわけではなく、部分的に見える輪郭やわずかな色の違いが動物を目立たせ、カモフラージュを壊す可能性がある。
本稿では,カモフラージュを成功させる要因について,その効果を自動的に評価するための3つのスコアを提案する。
特に,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計測できることを示す。
これらのカモフラージュスコアを使用して、利用可能なすべてのカモフラージュデータセットを評価し、比較する。
また,提案するカモフラージュスコアを補助損失として生成モデルに組み込むことにより,効果的なカモフラージュ画像や映像をスケーラブルに合成できることを示す。
生成された合成データセットは、ビデオで迷彩動物をセグメンテーションするためのトランスフォーマーベースのモデルを訓練するために使用される。
実験では,MoCA-Maskベンチマークを用いて,最先端のカモフラージュ破壊性能を示す。
関連論文リスト
- CNCA: Toward Customizable and Natural Generation of Adversarial Camouflage for Vehicle Detectors [19.334642862951537]
既訓練拡散モデルを利用したCNCA(Customizable and Natural Camouflage Attack)を提案する。
本手法は,攻撃性能を維持しつつ,自然かつカスタマイズ可能な対向カモフラージュを生成することができる。
論文 参考訳（メタデータ） (2024-09-26T15:41:18Z) - Flexible Physical Camouflage Generation Based on a Differential Approach [6.645986533504748]
本研究は、特に対向性カモフラージュに適したニューラルレンダリングに対する新しいアプローチを導入する。
我々の手法はFPAと呼ばれ、照明条件や材質の変化を忠実にシミュレートすることで従来の手法を超えています。
逆行性カモフラージュ法におけるFPAアプローチの有用性と有効性について検討した。
論文 参考訳（メタデータ） (2024-02-21T07:15:16Z) - 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) - CamDiff: Camouflage Image Augmentation via Diffusion Model [83.35960536063857]
CamDiffは、カモフラージュされたシーンで透明なオブジェクトを合成するための新しいアプローチだ。
我々は,潜伏拡散モデルを用いて,カモフラージュされたシーンで有能な物体を合成する。
当社のアプローチでは、フレキシブルな編集と大規模データセットの効率的な生成を低コストで実現している。
論文 参考訳（メタデータ） (2023-04-11T19:37:47Z) - 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) - Towards Deeper Understanding of Camouflaged Object Detection [64.81987999832032]
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。
論文 参考訳（メタデータ） (2022-05-23T14:26:18Z) - 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。