論文の概要: COD10K-C: Benchmarking Robustness of Camouflaged Object Detection Under Natural Image Corruptions

• arxiv url: http://arxiv.org/abs/2606.02603v1
• Date: Sat, 23 May 2026 10:59:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-07 20:42:22.583001
• Title: COD10K-C: Benchmarking Robustness of Camouflaged Object Detection Under Natural Image Corruptions
• Title（参考訳）: COD10K-C:自然画像破壊下におけるカモフラージュ物体検出のロバスト性のベンチマーク
• Authors: Arafat Hossain Sayem,
• Abstract要約: 我々はCOD10Kに基づく汚職ベンチマークであるCOD10K-Cを提案する。 8つの汚職タイプと5つの深刻度レベルを含み、40の条件と81,040の評価ペアを提供する。 我々は, SINet-v2, PFNet, ZoomNetの3つの人気カモフラージュオブジェクト検出モデルと, RobustCODLite と呼ばれる軽量モデルを評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Camouflaged object detection has improved substantially, but most standard benchmarks evaluate models only on clean images. This is not realistic because real cameras often capture blur, sensor noise, weather effects, and compression artifacts. We present COD10K-C, a corruption robustness benchmark based on COD10K. It includes 8 corruption types and 5 severity levels, giving 40 conditions and 81,040 evaluation pairs in total. We evaluate three popular camouflaged object detection models, SINet-v2, PFNet, and ZoomNet, as well as a lightweight model called RobustCODLite. All models show clear performance drops on corrupted images. Motion blur and Gaussian blur cause the largest drops, with SINet-v2 losing 18.5 Dice points under motion blur. Brightness and fog are less harmful. RobustCODLite uses corruption augmentation, a frequency-prior branch, and an uncertainty-consistency loss. It retains 92.3% of its clean Dice score under corruption, compared with 87.7% for SINet-v2, 84.8% for ZoomNet, and 84.1% for PFNet. On the hardest corruptions, RobustCODLite matches or outperforms models that perform better on clean data. We will release the COD10K-C GitHub repository to support future research in robust camouflaged object detection.
• Abstract（参考訳）: カモフラージュされたオブジェクト検出は大幅に改善されているが、ほとんどの標準ベンチマークでは、クリーンな画像でのみモデルを評価する。 実際のカメラは、しばしばぼやけ、センサーノイズ、気象効果、圧縮品を捉えているため、現実的ではない。 我々はCOD10Kに基づく汚職堅牢性ベンチマークであるCOD10K-Cを提案する。 8つの汚職タイプと5つの深刻度レベルを含み、合計で40の条件と81,040の評価ペアを提供する。 我々は, SINet-v2, PFNet, ZoomNetの3つの人気カモフラージュオブジェクト検出モデルと, RobustCODLite と呼ばれる軽量モデルを評価した。 すべてのモデルは、破損した画像に明らかなパフォーマンス低下を示す。 動きのぼやけとガウスのぼやけは最大の低下を引き起こし、SINet-v2は18.5のDiceポイントを失う。 明暗と霧は有害ではない。 RobustCODLiteは、汚職の増大、周波数優先ブランチ、不確かさと一貫性の喪失を利用する。 汚職下ではクリーンDiceスコアの92.3%を維持しており、SINet-v2は87.7%、ZoomNetは84.8%、PFNetは84.1%である。 最も厳しい汚職では、RobostCODLiteはクリーンなデータでより優れたパフォーマンスを発揮するモデルにマッチするか、性能を向上する。 私たちはCOD10K-C GitHubリポジトリをリリースします。

関連論文リスト

• Rapid Salient Object Detection with Difference Convolutional Neural Networks [49.838283141381716]
  本稿では,資源制約のあるデバイスにSODをリアルタイムに展開する上での課題について述べる。 SODにおける従来の知恵と現代のCNNの表現力を組み合わせたネットワーク設計を提案する。
  論文  参考訳（メタデータ） (2025-07-01T20:41:05Z)
• Practical Manipulation Model for Robust Deepfake Detection [55.2480439325792]
  画像超解像領域において,より現実的な劣化モデルを構築した。 擬似フェイクの空間を、ポアソンブレンディング、より多様なマスク、ジェネレータアーティファクト、およびイントラクタを用いて拡張する。 DFDCデータセットとDFDCPデータセットでは、それぞれ3.51%$と6.21%$AUCが明らかに増加した。
  論文  参考訳（メタデータ） (2025-06-05T15:06:16Z)
• ImageNet-D: Benchmarking Neural Network Robustness on Diffusion Synthetic Object [78.58860252442045]
  我々は、深層モデルの堅牢性をベンチマークするハードイメージのためのデータソースとして、生成モデルを紹介した。 このベンチマークを ImageNet-D と呼ぶ以前の作業よりも、背景、テクスチャ、材料が多様化したイメージを生成することができます。 我々の研究は、拡散モデルが視覚モデルをテストするのに効果的な情報源となることを示唆している。
  論文  参考訳（メタデータ） (2024-03-27T17:23:39Z)
• Dynamic Batch Norm Statistics Update for Natural Robustness [5.366500153474747]
  本稿では,汚職検出モデルとBN統計更新からなる統合フレームワークを提案する。 CIFAR10-CとImageNet-Cの精度は8%, 4%向上した。
  論文  参考訳（メタデータ） (2023-10-31T17:20:30Z)
• Benchmarking Robustness of 3D Object Detection to Common Corruptions in Autonomous Driving [44.753797839280516]
  既存の3D検出器は、悪天候やセンサーノイズなどによって引き起こされる現実世界の腐敗に対して堅牢性に欠ける。 実世界の運転シナリオを考慮したLiDARとカメラ入力の27種類の共通汚職をベンチマークした。 本研究は,24種類の3次元物体検出モデルを用いた大規模実験を行い,ロバスト性の評価を行った。
  論文  参考訳（メタデータ） (2023-03-20T11:45:54Z)
• Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
  本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。 OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。 我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
  論文  参考訳（メタデータ） (2022-12-26T12:49:47Z)
• Natural Adversarial Objects [10.940015831720144]
  我々は,オブジェクト検出モデルの堅牢性を評価するために,新しいデータセットであるNatural Adversarial Objects (NAO)を導入する。 NAOには7,934のイメージと9,943のオブジェクトが含まれており、実際のシナリオを反映している。
  論文  参考訳（メタデータ） (2021-11-07T23:42:55Z)
• PatchNet -- Short-range Template Matching for Efficient Video Processing [16.33718159978111]
  PatchNetは、隣接するビデオフレーム内のオブジェクトにマッチする効率的な畳み込みニューラルネットワークである。 PatchNetは非常にコンパクトで、わずか58MFLOPで動作し、MobileNetV2よりも$ 5times$シンプルです。 ビデオオブジェクト検出と視覚オブジェクト追跡という2つのタスクでその応用を実演する。
  論文  参考訳（メタデータ） (2021-03-10T20:56:07Z)
• HarDNet-MSEG: A Simple Encoder-Decoder Polyp Segmentation Neural Network that Achieves over 0.9 Mean Dice and 86 FPS [1.8352113484137629]
  本研究では,新しい畳み込みニューラルネットワークであるHarDNet-MSEGを提案する。 一般的な5つのデータセットの精度と推論速度の両方でSOTAを実現する。
  論文  参考訳（メタデータ） (2021-01-18T17:20:11Z)
• ZoomNet: Part-Aware Adaptive Zooming Neural Network for 3D Object Detection [69.68263074432224]
  ステレオ画像に基づく3D検出のためのZoomNetという新しいフレームワークを提案する。 ZoomNetのパイプラインは、通常の2Dオブジェクト検出モデルから始まり、左右のバウンディングボックスのペアを取得するために使用される。 さらに,RGB画像のテクスチャキューを多用し,より正確な異質度推定を行うため,適応ズームという概念的に真直ぐなモジュールを導入する。
  論文  参考訳（メタデータ） (2020-03-01T17:18:08Z)

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。