論文の概要: Is There Really a Camouflaged Object? Towards Realistic Camouflaged Object Detection
- arxiv url: http://arxiv.org/abs/2608.11135v1
- Date: Tue, 11 Aug 2026 16:57:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.12492
- Title: Is There Really a Camouflaged Object? Towards Realistic Camouflaged Object Detection
- Title（参考訳）: カモフラージュされた物体は本当に存在するか? 現実的なカモフラージュされた物体検出に向けて
- Abstract要約: カモフラージュされた物体検出(COD)は、周囲に視覚的に隠された物体を分割することを目的としている。
既存のCOD法の多くは、各入力画像がカモフラージュされたオブジェクトを含むと仮定して、クローズドワールドな仮定の下で開発されている。
この仮定は、純粋な背景や非迷彩オブジェクトによる現実的なシナリオを無視し、既存のモデルがオープンワールド環境にデプロイされた時に深刻な偽陽性を発生させる。
- 参考スコア（独自算出の注目度）: 34.38693223357721
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Camouflaged object detection (COD) aims to segment objects that are visually concealed in their surroundings and has attracted increasing attention in recent years. However, most existing COD methods are developed under a closed-world assumption, where each input image is assumed to contain a camouflaged object. This assumption ignores realistic scenarios with pure backgrounds or non-camouflaged objects, causing existing models to produce severe false positives when deployed in open-world environments. To address this limitation, we propose OPC16K, a large-scale benchmark for realistic COD. OPC16K contains 16,245 images from 14 sources and is carefully organized into camouflaged-object images, pure background images, and non-camouflaged-object images, enabling comprehensive evaluation of both segmentation quality and negative-sample rejection. Based on this benchmark, we further propose OPCNet, a presence-aware camouflage network that reformulates COD from a pure segmentation task into a joint problem of object localization and camouflage existence reasoning. Specifically, OPCNet introduces hierarchical existence reasoning to distinguish CO, BG, and NOCOD scenarios, similarity-aware camouflage relation modeling to capture foreground-background camouflage cues, and existence-aware feature refinement to regulate segmentation features with existence predictions. Extensive experiments on OPC16K demonstrate that OPCNet achieves superior performance under the proposed realistic COD evaluation protocol, significantly reducing false positives on negative samples while maintaining accurate camouflaged-object segmentation. Code and dataset will be released at https://github.com/2231122/OPCOD.
- Abstract（参考訳）: カモフラージュされた物体検出(COD)は、周囲に視覚的に隠された物体を分割することを目的としており、近年注目を集めている。
しかし、既存のCOD法のほとんどは、各入力画像がカモフラージュされたオブジェクトを含むと仮定して、クローズドワールドな仮定の下で開発されている。
この仮定は、純粋な背景や非迷彩オブジェクトによる現実的なシナリオを無視し、既存のモデルがオープンワールド環境にデプロイされた時に深刻な偽陽性を発生させる。
この制限に対処するため,現実的なCODのための大規模ベンチマークであるOPC16Kを提案する。
OPC16Kは14ソースから16,245枚の画像を含み、カモフラージュ対象画像、純粋な背景画像、および非カモフラージュ対象画像に慎重に整理され、セグメンテーション品質と負サンプル拒絶の両方を包括的に評価することができる。
このベンチマークに基づいて,CODを純粋なセグメンテーションタスクからオブジェクトローカライゼーションとカモフラージュ存在推論の連立問題に再構成する存在認識型カモフラージュネットワークであるOPCNetを提案する。
具体的には,CO,BG,NOCODのシナリオを識別するための階層的存在推論,前景背景カモフラージュ手がかりをキャプチャするための類似性を考慮したカモフラージュ関係モデリング,存在予測によるセグメンテーション特徴の制御のための存在認識機能改善を導入している。
OPC16Kの大規模な実験により、OPCNetは、提案した現実的なCOD評価プロトコルにおいて優れた性能を示し、正のサンプルに対する偽陽性を著しく低減し、正確なカモフラージュオブジェクトセグメンテーションを維持した。
コードとデータセットはhttps://github.com/2231122/OPCODでリリースされる。
関連論文リスト
- CFCamo: A Counterfactual Detect-or-Abstain Framework for Camouflaged Object Detection [3.995408039775796]
カモフラージュ物体検出(COD)のための視覚言語強化学習が最近行った。
標準的なCODトレーニングと評価データは肯定的であり、この設定で最適化されたエージェントは、過剰な検出バイアスを得ることができる。
そこで,本研究では,それぞれのCOD評価画像からカモフラージュされた目標を除去する対向型COD(CF-COD)を構築した。
論文 参考訳（メタデータ） (2026-05-28T20:14:17Z) - 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) - Seamless Detection: Unifying Salient Object Detection and Camouflaged Object Detection [73.85890512959861]
本稿では,SOD(Salient Object Detection)とCOD(Camouflaged Object Detection)を統合化するためのタスク非依存フレームワークを提案する。
我々は、間隔層と大域的コンテキストを含む単純で効果的なコンテキストデコーダを設計し、67fpsの推論速度を実現する。
公開SODデータセットとCODデータセットの実験は、教師なし設定と教師なし設定の両方において、提案したフレームワークの優位性を実証している。
論文 参考訳（メタデータ） (2024-12-22T03:25:43Z) - 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) - SurANet: Surrounding-Aware Network for Concealed Object Detection via Highly-Efficient Interactive Contrastive Learning Strategy [55.570183323356964]
本稿では,隠蔽物体検出のための新しいSurrounding-Aware Network,すなわちSurANetを提案する。
周辺特徴の差分融合を用いて特徴写像のセマンティクスを強化し,隠蔽対象の強調を行う。
次に、周囲の特徴写像を対照的に学習することで隠蔽対象を識別するために、周囲のコントラストロスを適用した。
論文 参考訳（メタデータ） (2024-10-09T13:02:50Z) - 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) - Boundary-Guided Camouflaged Object Detection [20.937071658007255]
カモフラージュ物体検出のための新しい境界誘導ネットワーク(BGNet)を提案する。
提案手法は,CODの表現学習をガイドするために,重要かつ余分なオブジェクト関連エッジセマンティクスを探索する。
提案手法は, 正確な境界位置同定を行うために, カモフラージュした物体の検出を促進する。
論文 参考訳（メタデータ） (2022-07-02T10:48:35Z) - 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) - Fast Camouflaged Object Detection via Edge-based Reversible
Re-calibration Network [17.538512222905087]
本稿では,ERRNetと呼ばれるエッジベースの可逆再校正ネットワークを提案する。
Selective Edge Aggregation(SEA)とReversible Re-calibration Unit(RRU)の2つの革新的な設計が特徴である。
実験の結果,ERRNetは3つのCODデータセットと5つの医用画像セグメンテーションデータセットで既存の最先端ベースラインよりも優れていた。
論文 参考訳（メタデータ） (2021-11-05T02:03:54Z) - 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) - Concealed Object Detection [140.98738087261887]
隠蔽物体検出(COD)に関する最初の体系的研究を紹介します。
CODは、背景に「完全に」埋め込まれているオブジェクトを特定することを目指しています。
このタスクをより理解するために、cod10kと呼ばれる大規模なデータセットを収集します。
論文 参考訳（メタデータ） (2021-02-20T06:49:53Z)
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。