論文の概要: Collaborative Camouflaged Object Detection: A Large-Scale Dataset and Benchmark

• arxiv url: http://arxiv.org/abs/2310.04253v1
• Date: Fri, 6 Oct 2023 13:51:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-09 16:07:31.644051
• Title: Collaborative Camouflaged Object Detection: A Large-Scale Dataset and Benchmark
• Title（参考訳）: コラボレーティブなカモフラージュオブジェクト検出:大規模データセットとベンチマーク
• Authors: Cong Zhang, Hongbo Bi, Tian-Zhu Xiang, Ranwan Wu, Jinghui Tong, Xiufang Wang
• Abstract要約: 我々はコラボレーティブカモフラーグ型物体検出(CoCOD)と呼ばれる新しい課題について検討する。 CoCODは、関連する画像のグループから、同じ特性を持つカモフラージュされたオブジェクトを同時に検出することを目的としている。 我々は,8,528の高品質で精巧に選択された画像からなる,CoCOD8Kと呼ばれる最初の大規模データセットを構築した。
• 参考スコア（独自算出の注目度）: 8.185431179739945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we provide a comprehensive study on a new task called collaborative camouflaged object detection (CoCOD), which aims to simultaneously detect camouflaged objects with the same properties from a group of relevant images. To this end, we meticulously construct the first large-scale dataset, termed CoCOD8K, which consists of 8,528 high-quality and elaborately selected images with object mask annotations, covering 5 superclasses and 70 subclasses. The dataset spans a wide range of natural and artificial camouflage scenes with diverse object appearances and backgrounds, making it a very challenging dataset for CoCOD. Besides, we propose the first baseline model for CoCOD, named bilateral-branch network (BBNet), which explores and aggregates co-camouflaged cues within a single image and between images within a group, respectively, for accurate camouflaged object detection in given images. This is implemented by an inter-image collaborative feature exploration (CFE) module, an intra-image object feature search (OFS) module, and a local-global refinement (LGR) module. We benchmark 18 state-of-the-art models, including 12 COD algorithms and 6 CoSOD algorithms, on the proposed CoCOD8K dataset under 5 widely used evaluation metrics. Extensive experiments demonstrate the effectiveness of the proposed method and the significantly superior performance compared to other competitors. We hope that our proposed dataset and model will boost growth in the COD community. The dataset, model, and results will be available at: https://github.com/zc199823/BBNet--CoCOD.
• Abstract（参考訳）: 本稿では,コラボレーティブカモフラージュオブジェクト検出(CoCOD)と呼ばれる,関連画像群から同一特性のカモフラージュオブジェクトを同時に検出することを目的とした,新しいタスクに関する総合的研究を行う。 この目的のために,5つのスーパークラスと70のサブクラスをカバーする8,528の高品質で精巧に選択された画像からなる,最初の大規模データセットであるCoCOD8Kを構築した。 データセットは、さまざまなオブジェクトの外観と背景を持つ、さまざまな自然と人工のカモフラージュシーンにまたがっており、COCODにとって非常に難しいデータセットである。 また,ココッドのベースラインモデルであるtwoual-branch network(bbnet)を提案し,同一画像内のコカモフラージュされた手がかりを探索し,グループ内の画像間を集約し,与えられた画像における正確なカモフラージュ対象検出を行う。 これは、画像間協調特徴探索(CFE)モジュール、画像内オブジェクト特徴探索(OFS)モジュール、ローカル・グローバル・リファインメント(LGR)モジュールによって実装されている。 提案するcocod8kデータセットに12のcodアルゴリズムと6つのcosodアルゴリズムを含む18の最先端モデルを比較した。 大規模な実験により,提案手法の有効性と,他の競技者と比較して優れた性能を示した。 提案したデータセットとモデルがCODコミュニティの成長を促進することを期待しています。 データセット、モデル、および結果は、https://github.com/zc199823/BBNet--CoCOD.comで提供される。

関連論文リスト

• CoFiNet: Unveiling Camouflaged Objects with Multi-Scale Finesse [46.79770062391987]
  本稿では,CoFiNetというカモフラージュ物体検出手法を提案する。 提案手法は,マルチスケールな特徴融合と抽出に重点を置いており,特にモデルのセグメンテーションの有効性に注目している。 CoFiNetは、すべてのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-02-03T17:24:55Z)
• Camouflaged Object Detection with Feature Grafting and Distractor Aware [9.791590363932519]
  そこで我々は,Camouflaged Object Detectionタスクを処理するために,FDNet(Feature Grafting and Distractor Aware Network)を提案する。 具体的には、CNNとTransformerを使ってマルチスケール画像を並列にエンコードする。 Distractor Aware Moduleは、CODタスクで考えられる2つの障害を明示的にモデル化して、粗いカモフラージュマップを洗練させるように設計されている。
  論文  参考訳（メタデータ） (2023-07-08T09:37:08Z)
• 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)
• Memory-aided Contrastive Consensus Learning for Co-salient Object Detection [30.92094260367798]
  Co-Salient Object Detection (CoSOD) は、関連するソースイメージのグループ内で、一般的な正当性オブジェクトを検出することを目的としている。 本稿では,コサリアントオブジェクトをリアルタイムに検出可能な,メモリ支援コントラスト学習フレームワークを提案する。 最新のCoSODベンチマークでの実験では、私たちのエリートMCCLは13の最先端モデルより優れています。
  論文  参考訳（メタデータ） (2023-02-28T10:58:01Z)
• Complementary datasets to COCO for object detection [47.64219291655723]
  COCOは、オブジェクト検出における10年近くの研究の中心的なテストベッドとなっている。 我々はCOCOにCOCO_OIとObjectNet_Dという2つの補完データセットを導入する。 これらのデータセット上でいくつかのモデルを評価し、エラーの原因を特定する。
  論文  参考訳（メタデータ） (2022-06-23T04:03:32Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• Concealed Object Detection [140.98738087261887]
  隠蔽物体検出(COD)に関する最初の体系的研究を紹介します。 CODは、背景に「完全に」埋め込まれているオブジェクトを特定することを目指しています。 このタスクをより理解するために、cod10kと呼ばれる大規模なデータセットを収集します。
  論文  参考訳（メタデータ） (2021-02-20T06:49:53Z)
• Re-thinking Co-Salient Object Detection [170.44471050548827]
  Co-Salient Object Detection (CoSOD) は、画像群において共起するサルエントオブジェクトを検出することを目的としている。 既存のCoSODデータセットは、画像の各グループに類似した視覚的外観の有能なオブジェクトが含まれていると仮定して、深刻なデータバイアスを持つことが多い。 我々はCoSOD3kと呼ばれる新しいベンチマークを野生で導入し、大量の意味的コンテキストを必要とする。
  論文  参考訳（メタデータ） (2020-07-07T12:20:51Z)
• Gradient-Induced Co-Saliency Detection [81.54194063218216]
  Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。 本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:40:55Z)

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。