論文の概要: Weakly Supervised Camouflaged Object Detection Based on the SAM Model and Mask Guidance

• arxiv url: http://arxiv.org/abs/2605.25385v1
• Date: Mon, 25 May 2026 03:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.269533
• Title: Weakly Supervised Camouflaged Object Detection Based on the SAM Model and Mask Guidance
• Title（参考訳）: SAMモデルとマスク誘導に基づく弱教師付きカモフラージュ物体検出
• Authors: Xia Li, Xinran Liu, Lin Qi, Junyu Dong,
• Abstract要約: 制約を克服するために,キャモフラージュされた物体検出のための新しい弱い教師付きアプローチを導入する。 具体的には,エッジのあいまいさに対処し,検出に失敗する新しいネットワークMGNetを提案する。 そこで本研究では,Segment Anything Model(SAM)とバウンディングボックスプロンプトを併用して擬似ラベルを生成するBoxSAMを提案する。
• 参考スコア（独自算出の注目度）: 49.06684374007753
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Camouflaged object detection (COD) from a single image is a challenging task due to the high similarity between objects and their surroundings. Existing fully supervised methods require labor-intensive pixel-level annotations, making weakly supervised methods a viable compromise that balances accuracy and annotation efficiency. However, weakly supervised methods often experience performance degradation due to the use of coarse annotations. In this paper, we introduce a new weakly supervised approach for camouflaged object detection to overcome these limitations. Specifically, we propose a novel network, MGNet, which tackles edge ambiguity and missed detections by utilizing initial masks generated by our custom-designed Cascaded Mask Decoder (CMD) to guide the segmentation process and enhance edge predictions. We introduce a Context Enhancement Module(CEM) to reduce the missing detection, and a Mask-guided Feature Aggregation Module (MFAM) for effective feature aggregation. For the weak supervision challenge, we propose BoxSAM, which leverages the Segment Anything Model (SAM) with bounding-box prompts to generate pseudo-labels. By employing a redundant processing strategy, high quality pixel-level pseudo-labels are provided for training MGNet. Extensive experiments demonstrate that our method delivers competitive performance against current state-of-the-art methods.
• Abstract（参考訳）: 一つの画像からカモフラージュされた物体検出(COD)は、物体とその周囲の類似性が高いため、難しい課題である。 既存の完全教師付き手法では、労働集約的なピクセルレベルのアノテーションが必要であり、弱教師付き手法は精度とアノテーション効率のバランスをとることができる。 しかしながら、弱い教師付きメソッドは、粗いアノテーションを使用するため、しばしばパフォーマンス劣化を経験する。 本稿では,これらの制約を克服するために,カモフラージュされた物体検出のための弱い制御手法を提案する。 具体的には、我々のカスタム設計したカスケードマスクデコーダ(CMD)が生成した初期マスクを利用して、エッジの曖昧さに対処し、エッジ予測を強化する新しいネットワークMGNetを提案する。 本稿では,検出の欠如を減らすためのコンテキスト拡張モジュール(CEM)と,効果的な特徴集約のためのマスク誘導特徴集約モジュール(MFAM)を紹介する。 そこで本研究では,Segment Anything Model(SAM)とバウンディングボックスプロンプトを併用して擬似ラベルを生成するBoxSAMを提案する。 冗長処理戦略を用いることで、MGNetのトレーニングに高品質な画素レベルの擬似ラベルが提供される。 大規模な実験により,本手法は現在の最先端手法と競合する性能を示す。

関連論文リスト

• FCL-COD: Weakly Supervised Camouflaged Object Detection with Frequency-aware and Contrastive Learning [49.58338471202117]
  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。
  論文  参考訳（メタデータ） (2026-03-24T09:05:41Z)
• Segment Concealed Objects with Incomplete Supervision [63.637733655439334]
  不完全なスーパービジョン・コンセサイテッド・オブジェクト(ISCOS)は、周囲の環境にシームレスにブレンドするオブジェクトを分割する。 このタスクは、不完全な注釈付きトレーニングデータによって提供される限られた監督のため、非常に難しいままである。 本稿では,これらの課題に対処するためのISCOSの統一手法について紹介する。
  論文  参考訳（メタデータ） (2025-06-10T16:25:15Z)
• 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)
• Sparse Semi-DETR: Sparse Learnable Queries for Semi-Supervised Object Detection [12.417754433715903]
  Sparse Semi-DETRは、トランスフォーマーをベースとした、エンドツーエンドの半教師付きオブジェクト検出ソリューションである。 Sparse Semi-DETR には Query Refinement Module が組み込まれており、オブジェクトクエリの品質を高め、小型で部分的に隠されたオブジェクトの検出能力を著しく改善している。 MS-COCOおよびPascal VOCオブジェクト検出ベンチマークでは、Sparse Semi-DETRは現在の最先端手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2024-04-02T10:22:23Z)
• BoxMask: Revisiting Bounding Box Supervision for Video Object Detection [11.255962936937744]
  そこで,BoxMaskを提案する。このBoxMaskは,クラス対応の画素レベルの情報を取り入れることで,識別表現を学習する。 提案されたモジュールは、検出を促進するため、任意の領域ベースの検出器に懸命に統合することができる。
  論文  参考訳（メタデータ） (2022-10-12T08:25:27Z)
• Weakly-Supervised Saliency Detection via Salient Object Subitizing [57.17613373230722]
  我々は,クラス非依存であるため,弱い監督としてサリエンシー・サブイタライジングを導入する。 これにより、監視はサリエンシー検出の特性と整合することができます。 5つのベンチマークデータセットに対して広範な実験を行う。
  論文  参考訳（メタデータ） (2021-01-04T12:51:45Z)
• Self-supervised Equivariant Attention Mechanism for Weakly Supervised Semantic Segmentation [93.83369981759996]
  本稿では,自己監督同変注意機構(SEAM)を提案する。 本手法は,完全教師付きセマンティックセグメンテーションにおいて,同値が暗黙の制約であることを示す。 本稿では,ネットワーク学習のための自己スーパービジョンを提供するために,様々な変換画像から予測されたCAMの整合性正則化を提案する。
  論文  参考訳（メタデータ） (2020-04-09T14:57:57Z)

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。