Collaborative Camouflaged Object Detection: A Large-Scale Dataset and Benchmark

要約

この論文では、関連する画像のグループから同じ特性を持つ偽装オブジェクトを同時に検出することを目的とした、協調的偽装オブジェクト検出 (CoCOD) と呼ばれる新しいタスクに関する包括的な研究を提供します。
この目的を達成するために、CoCOD8K と呼ばれる最初の大規模データセットを細心の注意を払って構築しました。このデータセットは、5 つのスーパークラスと 70 のサブクラスをカバーする、オブジェクト マスクの注釈が付いた 8,528 枚の高品質で精巧に選択された画像で構成されています。
このデータセットは、オブジェクトの外観や背景が多様な自然および人工の迷彩シーンを幅広く網羅しており、CoCOD にとって非常に困難なデータセットとなっています。
さらに、我々は、双方向分岐ネットワーク (BBNet) と呼ばれる CoCOD の最初のベースライン モデルを提案します。このモデルは、特定の画像内で正確に偽装されたオブジェクトを検出するために、単一画像内およびグループ内の画像間の同時偽装キューをそれぞれ探索および集約します。
これは、画像間協調特徴探索 (CFE) モジュール、画像内オブジェクト特徴検索 (OFS) モジュール、およびローカル-グローバル洗練 (LGR) モジュールによって実装されます。
提案された CoCOD8K データセット上で、12 の COD アルゴリズムと 6 つの CoSOD アルゴリズムを含む 18 の最先端モデルを、広く使用されている 5 つの評価指標に基づいてベンチマークします。
広範な実験により、提案された方法の有効性と、他の競合他社と比較して大幅に優れたパフォーマンスが実証されました。
私たちは、私たちが提案したデータセットとモデルが COD コミュニティの成長を促進することを願っています。
データセット、モデル、結果は、https://github.com/zc199823/BBNet–CoCOD で入手できます。

要約(オリジナル)

In this paper, we provide a comprehensive study on a new task called collaborative camouflaged object detection (CoCOD), which aims to simultaneously detect camouflaged objects with the same properties from a group of relevant images. To this end, we meticulously construct the first large-scale dataset, termed CoCOD8K, which consists of 8,528 high-quality and elaborately selected images with object mask annotations, covering 5 superclasses and 70 subclasses. The dataset spans a wide range of natural and artificial camouflage scenes with diverse object appearances and backgrounds, making it a very challenging dataset for CoCOD. Besides, we propose the first baseline model for CoCOD, named bilateral-branch network (BBNet), which explores and aggregates co-camouflaged cues within a single image and between images within a group, respectively, for accurate camouflaged object detection in given images. This is implemented by an inter-image collaborative feature exploration (CFE) module, an intra-image object feature search (OFS) module, and a local-global refinement (LGR) module. We benchmark 18 state-of-the-art models, including 12 COD algorithms and 6 CoSOD algorithms, on the proposed CoCOD8K dataset under 5 widely used evaluation metrics. Extensive experiments demonstrate the effectiveness of the proposed method and the significantly superior performance compared to other competitors. We hope that our proposed dataset and model will boost growth in the COD community. The dataset, model, and results will be available at: https://github.com/zc199823/BBNet–CoCOD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google