Trans高质量Paper | 再小再隐蔽的目标检测都不是问题（附源码下载）

计算机视觉研究院专栏

作者：Edison_G

隐藏的目标与背景之间的高内在相似性使得COD（concealed object detection）比传统的目标检测/分割更具挑战性。

长按扫描二维码关注我们

一、简要

有研究者提出第一个关于隐藏物体检测的系统研究，旨在识别那些“完美嵌入”在其背景中的物体。隐藏的目标与背景之间的高内在相似性使得COD比传统的对象检测/分割更具挑战性。

为了更好地理解这项任务，收集了一个叫做COD10K的大型数据集（如上图），它由10,000张图像组成，覆盖了78个目标类别中不同真实场景中隐藏的目标。此外，研究者还提供了丰富的注释，包括目标类别、目标边界、具有挑战性的属性、目标级标签和实例级注释。

COD10K是迄今为止最大的COD数据集，具有最丰富的注释，它支持全面的隐藏目标理解，甚至可以用来帮助推进其他一些视觉任务，如检测、分割、分类等。受动物在野外狩猎的启发，研究者还为COD设计了一个简单而强大的基线，称为搜索识别网络(Search Identification Network，SINet)。在没有任何bells和whistles情况下，SINet在所有被测试的数据集上的性能都超过了12个前沿基线，使它们成为鲁棒的通用架构，可以作为COD未来研究的催化剂。

二、背景

您是否可以在上图中10秒内找到隐藏的目标吗？生物学家称其称为背景匹配伪装(BMC)，其中一个或多个物体试图调整其颜色以与周围环境“无缝”匹配，以避免检测到。生态学家发现，这种BMC策略可以欺骗观察者的视觉感知系统。自然地，隐藏目标检测(COD)需要大量的视觉感知知识。理解COD本身不仅具有科学价值，而且在许多基本领域的应用也很重要，如计算机视觉（例如，搜救工作或稀有物种发现)、医学(例如，息肉分割、肺感染分割)、农业(例如，防止入侵的蝗虫检测)和艺术(例如，recreational art）。

在下图中提供了通用、突出和隐藏目标检测的例子。

目标和非目标之间的高内在相似性使得COD比传统的目标分割/检测更具挑战性。尽管最近受到了越来越多的关注，但关于COD的研究仍然很少，主要是由于缺乏足够大的数据集和标准基准，如Pascal-VOC, ImageNet, MS-COCO, ADE20K和DAVIS。 

三、COD10K DATASET

Object and instance distributions of each concealed category in the COD10K

Diverse types of concealed objects in our COD10K

‍四、COD FRAMEWORK

Component details

Group-Reversal Attention (GRA)。最后在反向指导和小组指导操作的帮助下，引入了剩余的学习过程，称为GRA块。根据以往的研究，多阶段的细化可以提高性能。

五、实验

计算机视觉研究院学习群等你加入！

计算机视觉研究院主要涉及深度学习领域，主要致力于人脸检测、人脸识别，多目标检测、目标跟踪、图像分割等研究方向。研究院接下来会不断分享最新的论文算法新框架，我们这次改革不同点就是，我们要着重”研究“。之后我们会针对相应领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

扫码关注

计算机视觉研究院

公众号ID｜ComputerVisionGzq

学习群｜扫码在主页获取加入方式

Githu代码 | 回复“COD”获取代码