論文の概要: HyperCOD: The First Challenging Benchmark and Baseline for Hyperspectral Camouflaged Object Detection

• arxiv url: http://arxiv.org/abs/2601.03736v1
• Date: Wed, 07 Jan 2026 09:26:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.458307
• Title: HyperCOD: The First Challenging Benchmark and Baseline for Hyperspectral Camouflaged Object Detection
• Title（参考訳）: HyperCOD: ハイパースペクトルカモフラージュオブジェクト検出のための最初のベンチマークとベースライン
• Authors: Shuyan Bai, Tingfa Xu, Peifu Liu, Yuhao Qiu, Huiyan Bai, Huan Chen, Yanyan Peng, Jianan Li,
• Abstract要約: RGBベースのカモフラージュされた物体検出は、色とテクスチャがあいまいな現実のシナリオでは困難である。 イノベーションを促進するために、ハイパースペクトルカモフラージュされた物体検出のための最初の挑戦的なベンチマークであるHyperCODを導入する。 HCODにおけるSegment Anything Model(SAM)の適用のために,HSC-SAM(HyperSpectral Camouflage-aware SAM)を提案する。 HSC-SAMは、超スペクトル像をSAMの画像エンコーダに供給された空間マップと、適応的なプロンプトとして機能するスペクトルサリエンシマップに分解することで、巧みに再構成する。
• 参考スコア（独自算出の注目度）: 25.314179467110666
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: RGB-based camouflaged object detection struggles in real-world scenarios where color and texture cues are ambiguous. While hyperspectral image offers a powerful alternative by capturing fine-grained spectral signatures, progress in hyperspectral camouflaged object detection (HCOD) has been critically hampered by the absence of a dedicated, large-scale benchmark. To spur innovation, we introduce HyperCOD, the first challenging benchmark for HCOD. Comprising 350 high-resolution hyperspectral images, It features complex real-world scenarios with minimal objects, intricate shapes, severe occlusions, and dynamic lighting to challenge current models. The advent of foundation models like the Segment Anything Model (SAM) presents a compelling opportunity. To adapt the Segment Anything Model (SAM) for HCOD, we propose HyperSpectral Camouflage-aware SAM (HSC-SAM). HSC-SAM ingeniously reformulates the hyperspectral image by decoupling it into a spatial map fed to SAM's image encoder and a spectral saliency map that serves as an adaptive prompt. This translation effectively bridges the modality gap. Extensive experiments show that HSC-SAM sets a new state-of-the-art on HyperCOD and generalizes robustly to other public HSI datasets. The HyperCOD dataset and our HSC-SAM baseline provide a robust foundation to foster future research in this emerging area.
• Abstract（参考訳）: RGBベースのカモフラージュされた物体検出は、色とテクスチャがあいまいな現実のシナリオでは困難である。 ハイパースペクトル画像は、微細なスペクトルシグネチャを捉えることで強力な代替手段を提供するが、高スペクトルカモフラージュされた物体検出(HCOD)の進歩は、大規模なベンチマークが存在しないことで、著しく妨げられている。 イノベーションを促進するために、HCODの最初の挑戦的なベンチマークであるHyperCODを紹介します。 350の高解像度ハイパースペクトル画像で構成されており、最小限のオブジェクト、複雑な形状、厳密なオクルージョン、そして現在のモデルに挑戦するための動的照明を備えた複雑な現実世界のシナリオを特徴としている。 Segment Anything Model (SAM)のような基盤モデルの出現は、魅力的な機会を提供する。 HCODにセグメンション・アシング・モデル(SAM)を適用するために,HyperSpectral Camouflage-aware SAM (HSC-SAM)を提案する。 HSC-SAMは、超スペクトル像をSAMの画像エンコーダに供給された空間マップと、適応的なプロンプトとして機能するスペクトルサリエンシマップに分解することで、巧みに再構成する。 この翻訳は、モダリティギャップを効果的に橋渡しする。 大規模な実験により、HSC-SAMはHyperCODに新しい最先端の状態を設定し、他のパブリックなHSIデータセットに堅牢に一般化することを示した。 HyperCODデータセットとHSC-SAMベースラインは、この新興領域における将来の研究を促進するための堅牢な基盤を提供する。

関連論文リスト

• MCOD: The First Challenging Benchmark for Multispectral Camouflaged Object Detection [26.760763912987795]
  Camouflaged Object Detection (COD)は、自然界にシームレスに溶け込む物体を識別することを目的としている。 既存のCODベンチマークデータセットはRGBベースであり、マルチスペクトルアプローチに不可欠なサポートがない。 マルチスペクトルカモフラージュオブジェクト検出のために特別に設計された、最初の挑戦的なベンチマークデータセットであるMCODを紹介する。
  論文  参考訳（メタデータ） (2025-09-19T08:29:33Z)
• ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
  ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。 HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。 計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
  論文  参考訳（メタデータ） (2025-04-16T05:33:42Z)
• Hyperspectral Remote Sensing Images Salient Object Detection: The First Benchmark Dataset and Baseline [14.081609886645555]
  HRSI-SODデータセットはHRSSDと呼ばれ,704個のハイパースペクトル画像と5327個のピクセルレベルのアノテート・サリエント・オブジェクトを含む。 HRSSDデータセットは、大規模な変動、さまざまなフォアグラウンド・バックグラウンド・リレーション、マルチサリアント・オブジェクトのために、健全なオブジェクト検出アルゴリズムに重大な課題を提起する。 我々は、ディープ・スペクトル・サリエンシ・ネットワーク(DSSN)と呼ばれるHRSI-SODの革新的で効率的なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2025-04-03T09:12:42Z)
• HSOD-BIT-V2: A New Challenging Benchmarkfor Hyperspectral Salient Object Detection [12.1018751772293]
  HSOD-BIT-V2は,これまでで最大かつ最も困難なHSODベンチマークデータセットである。 我々は高分解能HSODネットワークであるHyper-HRNetを提案する。 有効スペクトル情報を抽出し、統合し、保存し、自己相似スペクトルの特徴を捉え、次元性を減少させる。 詳細な詳細を伝達し、包括的グローバル情報と詳細なオブジェクト塩分表現を組み込むことで、オブジェクトの輪郭を正確に特定する。
  論文  参考訳（メタデータ） (2025-03-18T05:09:42Z)
• Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
  Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2024-09-23T19:05:50Z)
• HyperSIGMA: Hyperspectral Intelligence Comprehension Foundation Model [88.13261547704444]
  Hyper SIGMAは、タスクやシーン間でHSI解釈を統合するビジョントランスフォーマーベースの基礎モデルである。 さらに,約450Kのハイパースペクトル画像を含む,事前学習のための大規模ハイパースペクトルデータセットHyperGlobal-450Kを構築した。
  論文  参考訳（メタデータ） (2024-06-17T13:22:58Z)
• SAM-PM: Enhancing Video Camouflaged Object Detection using Spatio-Temporal Attention [0.0]
  Segment Anything Model (SAM) は画像セグメンテーションにおける異常な性能で注目されている。 カモフラージュされた物体は一般的に背景に溶け込み、静止画では区別が難しい。 これらの課題を克服するために,SAMスパイダーモジュール (SAM-PM) と呼ばれる新しい手法を提案する。 本手法は,SAMのパラメータの1%未満の追加で,時間的一貫性とドメイン固有の専門知識をセグメンテーションネットワークに効果的に組み込む。
  論文  参考訳（メタデータ） (2024-06-09T14:33:38Z)
• MAS-SAM: Segment Any Marine Animal with Aggregated Features [55.91291540810978]
  そこで本研究では,海洋生物のセグメンテーションのためのMAS-SAMという新しい特徴学習フレームワークを提案する。 本手法により,グローバルな文脈的手がかりからよりリッチな海洋情報を抽出し,よりきめ細かな局部的詳細を抽出できる。
  論文  参考訳（メタデータ） (2024-04-24T07:38:14Z)
• Equivariant Imaging for Self-supervised Hyperspectral Image Inpainting [6.099927091387616]
  ハイパースペクトル同変イメージング(Hyper-EI)と呼ばれる新しいHSI塗装アルゴリズムを提案する。 提案手法は,既存手法と比較して,最先端の塗装性能を実現する。
  論文  参考訳（メタデータ） (2024-04-19T19:55:15Z)
• Object Detection in Hyperspectral Image via Unified Spectral-Spatial Feature Aggregation [55.9217962930169]
  S2ADetは、高スペクトル画像に固有の豊富なスペクトル情報と空間補完情報を利用する物体検出器である。 S2ADetは既存の最先端メソッドを超え、堅牢で信頼性の高い結果を達成する。
  論文  参考訳（メタデータ） (2023-06-14T09:01:50Z)

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。