論文の概要: LAD-COD: Language-Aligned Dense Perception for Camouflaged Object Detection
- arxiv url: http://arxiv.org/abs/2608.07941v1
- Date: Sat, 08 Aug 2026 06:02:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.576918
- Title: LAD-COD: Language-Aligned Dense Perception for Camouflaged Object Detection
- Title（参考訳）: LAD-COD:カモフラージュ物体検出のための言語対応高感度認識
- Abstract要約: カモフラージュされた物体検出(COD)は、周囲と高い視覚的類似性を示す物体を分割することを目的としている。
トップダウンのセマンティック・ターゲット・ガイダンスとボトムアップの階層的視覚特徴を協調するフレームワークであるCOD(LAD-COD)の言語適応型認識を提案する。
- 参考スコア（独自算出の注目度）: 9.785725100655705
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Camouflaged object detection (COD) aims to segment objects that exhibit high visual similarity to their surroundings, which reduces foreground-background discriminability and weakens boundary evidence across appearance, texture, and structure. Such limitations motivate the use of instruction-conditioned semantics as top-down guidance for identifying which weak visual cues are relevant to the target. Recent segmentation systems built on large multimodal models (LMMs) demonstrate this possibility through instruction-conditioned target embeddings that guide mask decoding. However, in this language-to-mask paradigm, the generated target embedding conditions mainly the mask decoder, leaving the dense visual features that must preserve low-contrast boundaries and fine local structure without explicit guidance. We propose Language-Aligned Dense perception for COD (LAD-COD), a framework that aligns top-down semantic target guidance with bottom-up hierarchical visual features. Instead of fully adapting a large generic image encoder, LAD-COD learns a trainable hierarchical visual branch that captures camouflage-sensitive texture, boundary, and contextual information. To align these features with the target embedding, LAD-COD applies Language-Aligned Dual Visual Fusion (LADVF), which extends the embedding beyond sparse prompting to query patch-level language-aligned features and to gate their residual integration with the hierarchical features. This design allows semantic information to guide localization while preserving the fine structural details needed for camouflage segmentation. Experiments on CAMO, COD10K, and NC4K show that LAD-COD obtains the best reported value in all 12 dataset-metric comparisons.
- Abstract（参考訳）: カモフラージュされた物体検出(COD)は、周囲と高い視覚的類似性を示す物体を分割することを目的としており、前景と背景の識別性を低下させ、外観、テクスチャ、構造にわたって境界証拠を弱める。
このような制限は、ターゲットに関連する弱い視覚的手がかりを特定するためのトップダウンガイダンスとして、命令条件のセマンティクスの使用を動機付けている。
大規模マルチモーダルモデル(LMM)上に構築された最近のセグメンテーションシステムは、マスクデコーディングをガイドする命令条件付きターゲット埋め込みを通じて、この可能性を実証している。
しかし、この言語対マスクのパラダイムでは、生成したターゲット埋め込み条件は主にマスクデコーダであり、低コントラスト境界と局所構造を明示的なガイダンスなしで保持しなければならない密集した視覚的特徴を残している。
トップダウンのセマンティック・ターゲット・ガイダンスとボトムアップの階層的視覚特徴を協調するフレームワークであるCOD(LAD-COD)に対する言語適応型Dense知覚を提案する。
大きなジェネリックイメージエンコーダを完全に適応させる代わりに、LAD-CODは、カモフラージュに敏感なテクスチャ、バウンダリ、コンテキスト情報をキャプチャするトレーニング可能な階層的な視覚分岐を学習する。
これらの機能をターゲットの埋め込みと整合させるために、LAD-CODはLanguage-Aligned Dual Visual Fusion (LADVF)を適用している。
この設計により、意味情報は、カモフラージュのセグメンテーションに必要な微細構造を保存しながら、局所化を導くことができる。
CAMO、COD10K、NC4Kの実験により、LAD-CODは12のデータセットメトリックの比較で最高の値を得ることが示された。
関連論文リスト
- One Patch Is Enough: Reinforcement-Optimized Visual Token Grounding for MLLM-Based Scene Text Spotting [51.09550363815034]
シーンテキストスポッティングはテキスト認識と空間的局所化の間に高精度なアライメントを必要とする。
本研究では,個々のテキストインスタンスを単一のアンカー視覚トークンでルーティングする視覚中心のフレームワークであるSingle-Patch Text Spotting (SPaTS)を提案する。
SPaTS はフロンティアのクローズドソースMLLM と OCR MLLM の両方で一貫した性能を示し,その性能を著しく向上させる。
論文 参考訳（メタデータ） (2026-07-30T09:17:48Z) - See What I Mean: Aligning Vision and Language Representations for Video Fine-grained Object Understanding [41.70825455674463]
SWIM(See What I Mean)は、視覚と言語表現を調整し、テキストのプロンプトからのみ、きめ細かいオブジェクト理解を可能にする訓練戦略である。
SWIMはテキスト・ビジュアル・アライメントを大幅に改善し,細粒度オブジェクト理解ベンチマークにおける視覚プロンプトに基づく手法よりも優れた性能を実現する。
論文 参考訳（メタデータ） (2026-05-18T08:09:37Z) - Language-Guided Structure-Aware Network for Camouflaged Object Detection [15.32173600433245]
Camouflaged Object Detection (COD) は、色、テクスチャ、構造において背景と高度に統合されたオブジェクトを分割することを目的としている。
既存の手法では、上記の問題を緩和するために、マルチスケールの融合とアテンション機構を導入している。
本稿では,言語ガイド型構造認識ネットワーク(LGSAN)を提案する。
論文 参考訳（メタデータ） (2026-03-25T14:37:44Z) - FOCUS: Unified Vision-Language Modeling for Interactive Editing Driven by Referential Segmentation [55.01077993490845]
最近のLVLM(Large Vision Language Models)は、視覚的理解と生成的モデリングを統一する有望な能力を示している。
本稿では,分割認識と制御可能なオブジェクト中心生成をエンドツーエンドフレームワークに統合した統合LVLMであるFOCUSを紹介する。
論文 参考訳（メタデータ） (2025-06-20T07:46:40Z) - FGAseg: Fine-Grained Pixel-Text Alignment for Open-Vocabulary Semantic Segmentation [63.31007867379312]
Open-vocabulary segmentationは、テキストベースの記述に基づいて特定の領域やオブジェクトを識別し、分割することを目的としている。
一般的な解決策は、CLIPのような強力な視覚言語モデル(VLM)を活用して、視覚とテキスト情報のギャップを埋めることである。
対照的に、セグメンテーションタスクは細かいピクセルレベルのアライメントと詳細なカテゴリ境界情報を必要とする。
細粒度画素テキストアライメントとカテゴリ境界補間のためのモデルFGAsegを提案する。
論文 参考訳（メタデータ） (2025-01-01T15:47:04Z) - 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) - 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) - Referring Camouflaged Object Detection [88.63744004901655]
Ref-COD は、特定のカモフラージュされたオブジェクトを、サルエントターゲットオブジェクトによる参照画像の小さなセットに基づいて分割することを目的としている。
R2C7Kと呼ばれる大規模なデータセットは、実世界のシナリオで64のオブジェクトカテゴリをカバーする7Kイメージで構成されています。
論文 参考訳（メタデータ） (2023-06-13T04:15:37Z) - Position-Aware Contrastive Alignment for Referring Image Segmentation [65.16214741785633]
マルチモーダル特徴のアライメントを強化するために,位置認識型コントラストアライメントネットワーク(PCAN)を提案する。
1)自然言語記述に関連するすべてのオブジェクトの位置情報を提供する位置認識モジュール(PAM)と,2)マルチモーダルアライメントを強化するコントラスト言語理解モジュール(CLUM)の2つのモジュールで構成されている。
論文 参考訳（メタデータ） (2022-12-27T09:13:19Z)
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。