論文の概要: FCL-COD: Weakly Supervised Camouflaged Object Detection with Frequency-aware and Contrastive Learning

• arxiv url: http://arxiv.org/abs/2603.22969v1
• Date: Tue, 24 Mar 2026 09:05:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.39485
• Title: FCL-COD: Weakly Supervised Camouflaged Object Detection with Frequency-aware and Contrastive Learning
• Title（参考訳）: FCL-COD:周波数認識・コントラスト学習による弱教師付きカモフラージュ物体検出
• Authors: Jingchen Ni, Quan Zhang, Dan Jiang, Keyu Lv, Ke Zhang, Chun Yuan,
• Abstract要約: 既存のカモフラージュオブジェクト検出(COD)手法は、マスクアノテーションでガイドされた完全に教師付き学習に依存している。 完全教師付き手法と比較して、既存の弱い教師付きCOD法は性能が著しく劣っている。 本稿では,FCL-CODという,周波数認識とコントラスト学習に基づくWSCOD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）: 49.58338471202117
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing camouflage object detection (COD) methods typically rely on fully-supervised learning guided by mask annotations. However, obtaining mask annotations is time-consuming and labor-intensive. Compared to fully-supervised methods, existing weakly-supervised COD methods exhibit significantly poorer performance. Even for the Segment Anything Model (SAM), there are still challenges in handling weakly-supervised camouflage object detection (WSCOD), such as: a. non-camouflage target responses, b. local responses, c. extreme responses, and d. lack of refined boundary awareness, which leads to unsatisfactory results in camouflage scenes. To alleviate these issues, we propose a frequency-aware and contrastive learning-based WSCOD framework in this paper, named FCL-COD. To mitigate the problem of non-camouflaged object responses, we propose the Frequency-aware Low-rank Adaptation (FoRA) method, which incorporates frequency-aware camouflage scene knowledge into SAM. To overcome the challenges of local and extreme responses, we introduce a gradient-aware contrastive learning approach that effectively delineates precise foreground-background boundaries. Additionally, to address the lack of refined boundary perception, we present a multi-scale frequency-aware representation learning strategy that facilitates the modeling of more refined boundaries. We validate the effectiveness of our approach through extensive empirical experiments on three widely recognized COD benchmarks. The results confirm that our method surpasses both state-of-the-art weakly supervised and even fully supervised techniques.
• Abstract（参考訳）: 既存のカモフラージュオブジェクト検出(COD)手法は、マスクアノテーションでガイドされた完全な教師付き学習に依存している。 しかし、マスクアノテーションの取得には時間がかかり、労力がかかる。 完全教師付き手法と比較して、既存の弱い教師付きCOD法は性能が著しく劣っている。 Segment Anything Model (SAM) においても、下記のような弱い教師付きカモフラージュオブジェクト検出(WSCOD)を扱う上ではまだ課題がある。 a.非カモフラージュ目標応答 b. 地元の反応 C. 極端な反応と d. 洗練された境界認識の欠如は カモフラージュシーンに 満足のいく結果をもたらす これらの問題を緩和するため,本論文ではFCL-CODという,周波数認識とコントラスト学習に基づくWSCODフレームワークを提案する。 非カモフラージュオブジェクト応答の問題を緩和するために、周波数対応のカモフラージュシーン知識をSAMに組み込んだ周波数対応低ランク適応法(FoRA)を提案する。 局所的および極端な応答の課題を克服するため、我々は、厳密な前景と背景の境界を効果的に線引きする、勾配対応のコントラスト学習アプローチを導入する。 さらに,洗練された境界認識の欠如に対処するため,より洗練された境界のモデリングを容易にする多段階の周波数認識型表現学習戦略を提案する。 広範に認識されている3つのCODベンチマークにおける実験実験により,本手法の有効性を検証した。 その結果,本手法は最先端の弱教師技術と完全教師技術の両方を超越していることが確認された。

関連論文リスト

• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。 本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• A Knowledge-guided Adversarial Defense for Resisting Malicious Visual Manipulation [93.28532038721816]
  視覚的操作の悪意ある応用は、多くの分野でユーザーのセキュリティと評判に深刻な脅威をもたらしている。 本稿では,悪質な操作モデルを積極的に強制し,意味論的に混乱したサンプルを出力するために,知識誘導型敵防衛(KGAD)を提案する。
  論文  参考訳（メタデータ） (2025-04-11T10:18:13Z)
• CGCOD: Class-Guided Camouflaged Object Detection [19.959268087062217]
  我々は,従来のCODタスクを拡張したCGCOD(Class-Guided Camouflaged Object Detection)を導入する。 本稿では,プラグイン・アンド・プレイのクラス・プロンプト・ジェネレータと,シンプルで効果的なクラス・ガイダンス・ディテクターを組み込んだマルチステージ・フレームワークCGNetを提案する。 これはCODの新しいパラダイムを確立し、コンテキスト理解とクラス誘導検出のギャップを埋める。
  論文  参考訳（メタデータ） (2024-12-25T19:38:32Z)
• Seamless Detection: Unifying Salient Object Detection and Camouflaged Object Detection [73.85890512959861]
  本稿では,SOD(Salient Object Detection)とCOD(Camouflaged Object Detection)を統合化するためのタスク非依存フレームワークを提案する。 我々は、間隔層と大域的コンテキストを含む単純で効果的なコンテキストデコーダを設計し、67fpsの推論速度を実現する。 公開SODデータセットとCODデータセットの実験は、教師なし設定と教師なし設定の両方において、提案したフレームワークの優位性を実証している。
  論文  参考訳（メタデータ） (2024-12-22T03:25:43Z)
• SAM-COD: SAM-guided Unified Framework for Weakly-Supervised Camouflaged Object Detection [12.915303163650002]
  カモフラージュされたオブジェクト検出(COD)手法の多くは、取得するのに時間と労力を要するマスクアノテーションに大きく依存している。 既存の弱教師付きCODアプローチは、完全教師付き手法に比べて性能が著しく劣っている。 我々は、任意の弱教師付きラベルをサポート可能な、SAM-CODと呼ばれる統合CODフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-20T11:49:27Z)
• Learning Camouflaged Object Detection from Noisy Pseudo Label [60.9005578956798]
  本稿では,まず,弱い半教師付きカモフラージュオブジェクト検出(COD)法を提案する。 予算効率が高く高精度なカモフラージュされたオブジェクトセグメンテーションを目標とし、完全にラベル付けされた画像が極めて限られている。 本稿では,早期の学習段階において,モデルが正しい画素の学習を容易にするノイズ補正損失を提案する。 完全ラベル付きデータの20%しか使用しない場合,本手法は最先端の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T04:53:51Z)
• USD: Unknown Sensitive Detector Empowered by Decoupled Objectness and Segment Anything Model [14.080744645704751]
  Open World Object Detection (OWOD) は、新しいコンピュータビジョンタスクである。 本稿では,この2つの境界の学習をデコーダ層に分割する,シンプルで効果的な学習戦略であるDecoupled Objectness Learning(DOL)を提案する。 また、擬似ラベルとソフトウェイト戦略を用いてノイズの負の影響を緩和する補助的スーパービジョンフレームワーク(ASF)も導入する。
  論文  参考訳（メタデータ） (2023-06-04T06:42:09Z)
• CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion Models [72.93652777646233]
  カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。 本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。 カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
  論文  参考訳（メタデータ） (2023-05-29T07:49:44Z)

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。