超200+篇文献！一文知晓"伪装场景理解"领域近况

关注公众号，发现CV技术之美

自2020年伪装目标检测任务被提出后，领域内涌现出多个子任务、榜单性能不断被刷新，2023年的我们如何快速上手伪装场景理解？如何无痛发现最强模型是何方神圣？如何快速抢占下一个论文创新点？小编带你一文知晓伪装场景理解领域最新近况。

今天为大家介绍的这篇论文详述了“伪装场景理解”，作者团队通过对 200多篇相关文献进行全面调研、评测，从它们的性能、优点、缺点、复杂性等进行分析讨论，强调了若干领域挑战，构建了第一个面相应用场景的伪装缺陷分割数据集CDS2K，并提供了多个潜在的研究方向。

论文标题：Advances in Deep Concealed Scene Understanding

综述论文链接：https://arxiv.org/abs/2304.11234

项目地址：https://github.com/DengPingFan/CSU

▌引言 

在正式进入文章介绍前，我们先借助一张图片来了解一下什么是“伪装物体”，如下图1中，左图和右图中分别隐藏了七只和六只小鸟，你发现了吗？生物学家把这种现象称为背景匹配伪装，用于表示一个或者多个生物为了防止被发现，尝试将其颜色与周围环境“无缝地”匹配（答案请参见本文末图6）。

图1. 背景匹配伪装示例

总结来说，伪装场景理解（Concealed Scene Understanding, CSU）用于感知具有伪装属性的物体，是一个热门的计算机视觉课题。有关“伪装”的更多信息可以参考2022年刊表于TPAMI的期刊论文SINetV2 [1]： 

◆ 论文链接：https://ieeexplore.ieee.org/document/9444794 

◆ 中文介绍：https://cg.cs.tsinghua.edu.cn/jittor/news/2021-06-11-00-00-cod/ 

◆ GitHub项目：https://github.com/GewelsJI/SINet-V2

自2020年来，该领域涌现出多个任务分支和基准数据集，多个SOTA模型不断突破性能上限。在如此蓬勃发展的技术和应用背景下，领域内亟需一