論文の概要: CAMotion: A High-Quality Benchmark for Camouflaged Moving Object Detection in the Wild

• arxiv url: http://arxiv.org/abs/2604.08287v1
• Date: Thu, 09 Apr 2026 14:23:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.957004
• Title: CAMotion: A High-Quality Benchmark for Camouflaged Moving Object Detection in the Wild
• Title（参考訳）: CAMotion: 野生におけるカモフラージュ移動物体検出のための高品質ベンチマーク
• Authors: Siyuan Yao, Hao Sun, Ruiqi Yu, Xiwei Jiang, Wenqi Ren, Xiaochun Cao,
• Abstract要約: 本稿では,野生の移動物体検出のための高品質なベンチマークであるCAMotionを構築した。 このベンチマークは、異なる挑戦シナリオにおいて、カモフラージュされた物体の運動特性を詳細に分析する。 また、既存のSOTAモデルをCAMotion上で総合的に評価し、VCODタスクにおける大きな課題について論じる。
• 参考スコア（独自算出の注目度）: 83.45543969516149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering camouflaged objects is a challenging task in computer vision due to the high similarity between camouflaged objects and their surroundings. While the problem of camouflaged object detection over sequential video frames has received increasing attention, the scale and diversity of existing video camouflaged object detection (VCOD) datasets are greatly limited, which hinders the deeper analysis and broader evaluation of recent deep learning-based algorithms with data-hungry training strategy. To break this bottleneck, in this paper, we construct CAMotion, a high-quality benchmark covers a wide range of species for camouflaged moving object detection in the wild. CAMotion comprises various sequences with multiple challenging attributes such as uncertain edge, occlusion, motion blur, and shape complexity, etc. The sequence annotation details and statistical distribution are presented from various perspectives, allowing CAMotion to provide in-depth analyses on the camouflaged object's motion characteristics in different challenging scenarios. Additionally, we conduct a comprehensive evaluation of existing SOTA models on CAMotion, and discuss the major challenges in VCOD task. The benchmark is available at https://www.camotion.focuslab.net.cn, we hope that our CAMotion can lead to further advancements in the research community.
• Abstract（参考訳）: カモフラージュされた物体の発見は、カモフラージュされた物体とその周囲との高い類似性のため、コンピュータビジョンにおいて難しい課題である。 シーケンシャルなビデオフレーム上でのカモフラージュオブジェクト検出の問題は注目されているが、既存のビデオカモフラーグオブジェクト検出(VCOD)データセットの規模と多様性は大きく制限されており、最近のディープラーニングベースのアルゴリズムの深い分析と、データハングリートレーニング戦略による広範な評価を妨げている。 このボトルネックを克服するため,我々はCAMotionを構築し,高品質なベンチマークにより野生の移動物体検出のための広範囲な種をカバーしている。 CAMotionは、不確実なエッジ、オクルージョン、動きのぼかし、形状の複雑さなど、複数の困難な属性を持つさまざまなシーケンスで構成されている。 シーケンスアノテーションの詳細と統計分布は様々な観点から示され、CAMotionは様々な難解なシナリオにおいて、キャモフラージュされた物体の運動特性について詳細な分析を行うことができる。 さらに,既存のSOTAモデルをCAMotion上で包括的に評価し,VCODタスクにおける大きな課題について論じる。 このベンチマークはhttps://www.camotion.focuslab.net.cnで公開されています。

関連論文リスト

• Toward Realistic Camouflaged Object Detection: Benchmarks and Method [11.279532701331647]
  カモフラージュされたオブジェクト検出(COD)は、主にセマンティックまたはインスタンスセグメンテーション手法に依存している。 カモフラージュ検出のためのCAFR(camouflage-aware feature refinement)戦略を提案する。 CAFRは、大型モデルの以前の知識の中で、現在の物体の明確な認識を十分に利用し、背景と前景の区別を深く理解する検出器を支援する。
  論文  参考訳（メタデータ） (2025-01-13T13:04:00Z)
• 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)
• Camouflaged Object Tracking: A Benchmark [16.07670491479613]
  カモフラージュされたオブジェクト追跡手法を評価するためのベンチマークであるCOTD(Camouflaged Object Tracking dataset)を導入する。 COTDは200のシーケンスと約80,000のフレームで構成され、それぞれに詳細なバウンディングボックスが付加されている。 既存の20個の追跡アルゴリズムを評価した結果,カモフラージュした物体を用いた場合,その性能に重大な欠陥があることが判明した。 本稿では,新しいトラッキングフレームワーク HiPTrack-MLS を提案する。
  論文  参考訳（メタデータ） (2024-08-25T15:56:33Z)
• Frequency Perception Network for Camouflaged Object Detection [51.26386921922031]
  周波数領域のセマンティック階層によって駆動される新しい学習可能かつ分離可能な周波数知覚機構を提案する。 ネットワーク全体では、周波数誘導粗い局所化ステージと細部保存の微細局在化ステージを含む2段階モデルを採用している。 提案手法は,既存のモデルと比較して,3つのベンチマークデータセットにおいて競合性能を実現する。
  論文  参考訳（メタデータ） (2023-08-17T11:30:46Z)
• Camouflaged Image Synthesis Is All You Need to Boost Camouflaged Detection [47.653092957888596]
  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)
• High-resolution Iterative Feedback Network for Camouflaged Object Detection [128.893782016078]
  カモフラージュされたオブジェクトを背景に視覚的に同化させることは、オブジェクト検出アルゴリズムにとって難しい。 エッジやバウンダリのぼやけた視界を生じさせる細部劣化を避けるために,高分解能テクスチャの詳細を抽出することを目的としている。 我々は,高解像度特徴量による低解像度表現を反復的フィードバック方式で洗練する新しいHitNetを提案する。
  論文  参考訳（メタデータ） (2022-03-22T11:20:21Z)

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。