論文の概要: SCOUT: Semi-supervised Camouflaged Object Detection by Utilizing Text and Adaptive Data Selection

• arxiv url: http://arxiv.org/abs/2508.17843v1
• Date: Mon, 25 Aug 2025 09:47:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.713023
• Title: SCOUT: Semi-supervised Camouflaged Object Detection by Utilizing Text and Adaptive Data Selection
• Title（参考訳）: SCOUT:テキストと適応データを利用した半教師付きカモフラージュ物体検出
• Authors: Weiqi Yan, Lvhai Chen, Shengchuan Zhang, Yan Zhang, Liujuan Cao,
• Abstract要約: テキストと適応データ選択(SCOUT)を利用した半教師付きカモフラージュオブジェクト検出手法を提案する。 これにはAdaptive Data Augment and Selection (ADAS)モジュールとText Fusion Module (TFM)が含まれている。 提案手法は,COD分野における従来の半教師付き手法を超越し,最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 43.512216551654966
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The difficulty of pixel-level annotation has significantly hindered the development of the Camouflaged Object Detection (COD) field. To save on annotation costs, previous works leverage the semi-supervised COD framework that relies on a small number of labeled data and a large volume of unlabeled data. We argue that there is still significant room for improvement in the effective utilization of unlabeled data. To this end, we introduce a Semi-supervised Camouflaged Object Detection by Utilizing Text and Adaptive Data Selection (SCOUT). It includes an Adaptive Data Augment and Selection (ADAS) module and a Text Fusion Module (TFM). The ADSA module selects valuable data for annotation through an adversarial augment and sampling strategy. The TFM module further leverages the selected valuable data by combining camouflage-related knowledge and text-visual interaction. To adapt to this work, we build a new dataset, namely RefTextCOD. Extensive experiments show that the proposed method surpasses previous semi-supervised methods in the COD field and achieves state-of-the-art performance. Our code will be released at https://github.com/Heartfirey/SCOUT.
• Abstract（参考訳）: ピクセルレベルのアノテーションの難しさは、Camouflaged Object Detection (COD) フィールドの開発を著しく妨げている。 アノテーションのコストを抑えるため、従来の作業では、少数のラベル付きデータと大量のラベル付きデータに依存する半教師付きCODフレームワークを使用していた。 ラベルなしデータの有効利用にはまだ大きな改善の余地があることを論じる。 そこで本研究では,テキストと適応データ選択(SCOUT)を利用した半教師付きカモフラージュオブジェクト検出手法を提案する。 これにはAdaptive Data Augment and Selection (ADAS)モジュールとText Fusion Module (TFM)が含まれている。 ADSAモジュールは、対向的な拡張とサンプリング戦略を通じてアノテーションのための貴重なデータを選択する。 TFMモジュールはさらに、カモフラージュ関連知識とテキスト-視覚相互作用を組み合わせることで、選択した貴重なデータを活用する。 この作業に適応するため、新しいデータセット、すなわちRefTextCODを構築しました。 大規模実験により,提案手法はCOD分野における従来の半教師付き手法を超越し,最先端性能を実現することが示された。 私たちのコードはhttps://github.com/Heartfirey/SCOUT.comでリリースされます。

関連論文リスト

• Adaptive Guidance Learning for Camouflaged Object Detection [23.777432551429396]
  本稿では,適応型誘導学習ネットワーク「textitAGLNet」を提案する。 広く使用されている3つのCODベンチマークデータセットの実験により,提案手法が大幅な性能向上を実現することが示された。
  論文  参考訳（メタデータ） (2024-05-05T06:21:58Z)
• Semi-supervised Open-World Object Detection [74.95267079505145]
  半教師付きオープンワールド検出(SS-OWOD)という,より現実的な定式化を導入する。 提案したSS-OWOD設定では,最先端OWOD検出器の性能が劇的に低下することが実証された。 我々は,MS COCO, PASCAL, Objects365, DOTAの4つのデータセットを用いた実験を行い, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-02-25T07:12:51Z)
• Open-Vocabulary Camouflaged Object Segmentation [66.94945066779988]
  OVCOS(Open-vocabulary camouflaged Object segmentation)を導入した。 我々は11,483個の手選択画像とそれに対応するオブジェクトクラスを含む大規模複合シーンデータセット(textbfOVCamo)を構築した。 クラスセマンティック知識の指導とエッジ情報と深度情報からの視覚構造的手がかりの補足を統合することにより、提案手法は効率よくカモフラージュされたオブジェクトを捕捉できる。
  論文  参考訳（メタデータ） (2023-11-19T06:00:39Z)
• ConDA: Contrastive Domain Adaptation for AI-generated Text Detection [17.8787054992985]
  大規模言語モデル(LLM)は、ニュース記事のテキスト生成にますます利用されている。 これらのLSMを大規模に偽情報を生成できる潜在的な悪意のある性質を考えると、このようなAI生成テキストのための効果的な検出器を構築することが重要である。 本研究では、AI生成したニューステキストの検出において、このデータ問題に取り組み、その問題を教師なしドメイン適応タスクとしてフレーム化する。
  論文  参考訳（メタデータ） (2023-09-07T19:51:30Z)
• Unified Visual Relationship Detection with Vision and Language Models [89.77838890788638]
  この研究は、複数のデータセットからラベル空間の結合を予測する単一の視覚的関係検出器のトレーニングに焦点を当てている。 視覚と言語モデルを活用した統合視覚関係検出のための新しいボトムアップ手法UniVRDを提案する。 人物体間相互作用検出とシーングラフ生成の双方による実験結果から,本モデルの競合性能が示された。
  論文  参考訳（メタデータ） (2023-03-16T00:06:28Z)
• DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
  現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。 本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。 実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
  論文  参考訳（メタデータ） (2020-10-02T13:59:05Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。