The Making and Breaking of Camouflage

要約

すべての迷彩が同じように効果的であるわけではありません。部分的に見える輪郭やわずかな色の違いでも、動物が目立ち、迷彩が崩れてしまう可能性があります。
この論文では、カモフラージュの有効性を自動的に評価するための 3 つのスコアを提案することで、何がカモフラージュを成功させるのかという問題に取り組みます。
特に、カモフラージュは背景と前景の特徴の類似性と境界の可視性によって測定できることを示します。
これらの迷彩スコアを使用して、利用可能なすべての迷彩データセットを評価および比較します。
また、提案した迷彩スコアを補助損失として生成モデルに組み込み、効果的な迷彩画像や動画をスケーラブルに合成できることを示します。
生成された合成データセットは、ビデオ内のカモフラージュされた動物をセグメント化するためのトランスフォーマー ベースのモデルをトレーニングするために使用されます。
実験的には、公開されている MoCA-Mask ベンチマークで最先端の迷彩破壊パフォーマンスを実証します。

要約(オリジナル)

Not all camouflages are equally effective, as even a partially visible contour or a slight color difference can make the animal stand out and break its camouflage. In this paper, we address the question of what makes a camouflage successful, by proposing three scores for automatically assessing its effectiveness. In particular, we show that camouflage can be measured by the similarity between background and foreground features and boundary visibility. We use these camouflage scores to assess and compare all available camouflage datasets. We also incorporate the proposed camouflage score into a generative model as an auxiliary loss and show that effective camouflage images or videos can be synthesised in a scalable manner. The generated synthetic dataset is used to train a transformer-based model for segmenting camouflaged animals in videos. Experimentally, we demonstrate state-of-the-art camouflage breaking performance on the public MoCA-Mask benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google