論文の概要: CamoNAS: Neural Architecture Search for Enhanced Camouflaged Object Detection

• arxiv url: http://arxiv.org/abs/2607.01870v1
• Date: Thu, 02 Jul 2026 08:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.744251
• Title: CamoNAS: Neural Architecture Search for Enhanced Camouflaged Object Detection
• Title（参考訳）: CamoNAS: カモフラーゲ型物体検出のためのニューラルネットワーク探索
• Abstract要約: 本稿では、カモフラージ物体検出(COD)のための周波数対応多分解能ニューラルネットワーク探索(NAS)フレームワークであるCamoNASを紹介する。 CamoNASは、セルレベルの操作とネットワークレベルのダウンサンプリングパスの両方を自動的に検索し、カモフラージュされたオブジェクトを検出するように調整された階層的な検索空間を形成する。
• 参考スコア（独自算出の注目度）: 3.357146609024602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Camouflaged Object Detection (COD) aims to locate and segment objects that blend into their surroundings, presenting challenges due to weak edge cues and ill-defined boundaries. Traditional COD models rely on hand-designed architectures and multi-scale feature fusion, which are often guided by intuition rather than systematic search. This paper introduces CamoNAS, a frequency-aware multi-resolution Neural Architecture Search (NAS) framework for COD. CamoNAS automatically searches both cell-level operations and network-level downsampling paths, forming a hierarchical search space tailored to detect camouflaged objects. Additionally, it adopts an RGB frequency dual-stream architecture, where a learnable wavelet transform complements the RGB spatial stream. CamoNAS achieves state-of-the-art performance on four COD benchmarks (CAMO, COD10K, NC4K, CHAMELEON), highlighting the effectiveness of NAS for COD. Our code is available at https://github.com/rendaweiSIMIT/CamoNAS.
• Abstract（参考訳）: Camouflaged Object Detection (COD) は、周囲に混在するオブジェクトの発見とセグメント化を目的としており、エッジの弱いキューと定義の不十分なバウンダリによる課題を提示している。 従来のCODモデルは手作りのアーキテクチャとマルチスケールの機能融合に依存しており、しばしば体系的な探索よりも直観によって導かれる。 本稿では、CODのための周波数対応マルチレゾリューションニューラルネットワーク(NAS)フレームワークであるCamoNASを紹介する。 CamoNASは、セルレベルの操作とネットワークレベルのダウンサンプリングパスの両方を自動的に検索し、カモフラージュされたオブジェクトを検出するように調整された階層的な検索空間を形成する。 さらに、学習可能なウェーブレット変換がRGB空間ストリームを補完するRGB周波数二重ストリームアーキテクチャを採用している。 CamoNASは4つのCODベンチマーク(CAMO、COD10K、NC4K、CHAMELEON)で最先端のパフォーマンスを実現し、CODに対するNASの有効性を強調している。 私たちのコードはhttps://github.com/rendaweiSIMIT/CamoNAS.comで利用可能です。

関連論文リスト

• CAMotion: A High-Quality Benchmark for Camouflaged Moving Object Detection in the Wild [83.45543969516149]
  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。
  論文  参考訳（メタデータ） (2026-04-09T14:23:46Z)
• 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)
• Rethinking Detecting Salient and Camouflaged Objects in Unconstrained Scenes [5.876510569597584]
  そこで我々はUSCNetと呼ばれるモデルを提案する。 そこで我々は, CSCSと呼ばれる評価指標を設計し, モデルが有意な対象と偽装対象を区別する能力を評価する。
  論文  参考訳（メタデータ） (2024-12-14T19:37:17Z)
• Hierarchical Graph Interaction Transformer with Dynamic Token Clustering for Camouflaged Object Detection [57.883265488038134]
  本稿では,HGINetと呼ばれる階層的なグラフ相互作用ネットワークを提案する。 このネットワークは、階層的トークン化機能間の効果的なグラフ相互作用を通じて、知覚不能なオブジェクトを発見することができる。 本実験は,既存の最先端手法と比較して,HGINetの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2024-08-27T12:53:25Z)
• 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 Object Detection with Feature Grafting and Distractor Aware [9.791590363932519]
  そこで我々は,Camouflaged Object Detectionタスクを処理するために,FDNet(Feature Grafting and Distractor Aware Network)を提案する。 具体的には、CNNとTransformerを使ってマルチスケール画像を並列にエンコードする。 Distractor Aware Moduleは、CODタスクで考えられる2つの障害を明示的にモデル化して、粗いカモフラージュマップを洗練させるように設計されている。
  論文  参考訳（メタデータ） (2023-07-08T09:37:08Z)
• Towards Deeper Understanding of Camouflaged Object Detection [64.81987999832032]
  バイナリセグメンテーション設定は、カモフラージュの概念を完全に理解できない。 そこで本研究では,カモフラージュされたオブジェクトの局所化,セグメント化,ランク付けを同時に行う3段階学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-23T14:26:18Z)
• NAS-FCOS: Efficient Search for Object Detection Architectures [113.47766862146389]
  簡易なアンカーフリー物体検出器の特徴ピラミッドネットワーク (FPN) と予測ヘッドを探索し, より効率的な物体検出手法を提案する。 慎重に設計された検索空間、検索アルゴリズム、ネットワーク品質を評価するための戦略により、8つのV100 GPUを使用して、4日以内に最高のパフォーマンスの検知アーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2021-10-24T12:20:04Z)
• Simultaneously Localize, Segment and Rank the Camouflaged Objects [55.46101599577343]
  camouflaged object detectionは、周囲に隠されているcamouflaged objectsを分割することを目的としている。 私たちは、カモフラージュされた物体の目立ちを特定の背景に明確にモデル化することは、カモフラージュと動物の進化をよりよく理解するのに役立つと主張しています。 迷彩オブジェクトを同時にローカライズ、セグメント化、ランク付けする最初のランキングベースのCODネットワーク(Rank-Net)を紹介します。
  論文  参考訳（メタデータ） (2021-03-06T02:53:36Z)

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。