[人工智能]【文献翻译】Concealed Object Detection（伪装目标检测）

Concealed Object Detection

伪装目标检测
原论文下载地址：https://arxiv.org/pdf/2102.10274.pdf

Abstract

我们首次对隐藏目标检测（COD）进行了系统研究，旨在识别视觉上嵌入在背景中的目标。隐藏对象与其背景之间的高度内在相似性使得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，我们收集了一个称为COD10K的大规模数据集，该数据集由10000幅图像组成，涵盖了78个对象类别中各种真实场景中的隐藏对象。此外，我们还提供了丰富的注释，包括对象类别、对象边界、挑战性属性、对象级标签和实例级注释。我们的COD10K是迄今为止最大的COD数据集，具有最丰富的注释，能够全面理解隐藏对象，甚至可以用于帮助完成其他一些视觉任务，如检测、分割、分类等。基于动物在野外狩猎的动机，我们还为COD设计了一个简单但强大的baseline，称为搜索识别网络（SINet）。SINet在所有测试数据集上的表现都超过了12条最前沿的baselines，这使得它具有强大的通用架构，可以作为COD未来研究的催化剂。最后，我们提供了一些有趣的发现，并强调了一些潜在的应用和未来的方向。为了激发这一新领域的研究，我们的代码、数据集和在线演示可以在我们的项目页面上找到 http://mmcheng.net/cod.

1 Introduction

你能在10秒内在图1的每个图像中找到隐藏的物体吗？生物学家将其称为背景匹配伪装（background matching camouflage, BMC）[2]，其中一个或多个物体试图调整其颜色，使其与周围环境“无缝”匹配，以避免被发现[3]。感觉生态学家发现，这种BMC策略通过欺骗观察者的视觉感知系统来起作用。当然，解决隐蔽目标检测（COD）需要大量的视觉感知知识。了解COD本身不仅具有科学价值，而且对于许多基础领域的应用也很重要，例如计算机视觉（例如，搜索和救援工作或稀有物种发现）、医学（例如，息肉分割[7]、肺部感染分割[8]）、农业（例如，蝗虫检测以防止入侵）和艺术（例如，娱乐艺术[9]）。

在图2中，我们给出了通用、显著和隐藏对象检测的示例。目标和非目标之间的高度内在相似性使得COD比传统的目标分割/检测更具挑战性【10】、【11】、【12】。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，主要是因为缺乏足够大的数据集和标准基准，如Pascal VOC【13】、ImageNet【14】、MS-COCO【15】、ADE20K【16】和DA VIS【17】

在本文中，我们首次利用深度学习对隐藏目标检测任务进行了全面的研究，从隐藏的角度为目标检测带来了新的视角。

1.1 Contributions

我们的主要贡献如下：

1）COD10K数据集。基于上述目标，我们仔细收集了大规模隐蔽目标检测数据集COD10K。我们的数据集包含10000幅图像，涵盖78个对象类别，如陆地、两栖动物、飞行、水生动物等。所有隐藏图像都用类别、边界框（bounding-box）、对象级别（object-level）和实例级别（instance-level）标签进行了分层注释（图3），有利于许多相关任务，如对象提议、定位、语义边缘检测、转移学习[21]、域自适应[22]，等等。每个隐藏的图像都被赋予了挑战性的属性（例如，形状复杂度SC、不可定义的边界IB、遮挡SOC），这些属性是在现实世界和matting level标签中发现的（这需要～每幅图像60分钟）。这些高质量的标签有助于深入了解模型的性能。

2）COD框架。我们提出了一个简单而有效的框架，名为SINet（搜索识别网）。值得注意的是，SINet的总训练时间为4小时，在所有现有COD数据集上都达到了最新水平（SOTA），这表明它可以为隐蔽目标检测提供潜在的解决方案。我们的网络还产生了一些有趣的发现（例如，搜索和识别策略适用于COD），使各种潜在的应用更加可行。

3）COD基准(Benchmark)。根据收集的COD10K和之前的数据集【24】、【25】，我们对12条SOTA基线进行了严格评估，使我们的COD研究成为最大的COD研究。我们在两种情况下报告基线，即超类(super-class)和子类(sub-class)。我们还通过在线基准跟踪社区的进展(http://dpfan.net/camouflage/)。

4）下游应用程序。为了进一步支持该领域的研究，我们开发了一个在线演示（http://mc.nankai.edu.cn/cod），使其他研究人员能够轻松地测试他们的场景。此外，我们还展示了一些潜在的应用，如医学、制造业、农业、艺术等。

5）未来方向。基于提出的COD10K，我们还讨论了未来十个有希望的研究方向。我们发现，隐蔽目标检测问题远未得到解决，还有很大的改进空间。

本文在几个方面基于并扩展了我们的会议版本[1]。首先，我们对COD10K进行了更详细的分析，包括分类、统计、注释和解析。其次，我们通过引入邻居连接解码器（neighbor connection decoder,NCD）和组反转注意（group-reversal attention,GRA）来改进SINet模型的性能。第三，我们进行了大量的实验来验证我们的模型的有效性，并在我们的框架内为不同的模块提供了一些消融实验（ablation studies ）。第四，我们提供了详尽的超类和子类基准测试，并就新的COD任务进行了更深入的讨论。最后，基于我们的基准测试结果，我们得出了一些重要的结论，并指出了隐藏对象排序、隐藏对象提取、隐藏目标实例分割（concealed object ranking, concealed object proposal, concealed instance segmentation）等未来的发展方向。

2 Related Work

在本节中，我们简要回顾了密切相关的工作。在[10]之后，我们大致将目标检测分为三类：一般、显著和隐藏目标检测(generic, salient, and concealed)。

**通用目标分割（Generic Object Segmentation ，GOS）**计算机视觉中最流行的方向之一是通用对象分割[5]、[26]、[27]、[28]。请注意，通用对象可以是突出的，也可以是隐藏的。隐藏对象可以看作是一般对象的困难情况。典型的GOS任务包括语义分割和全景分割（见图2 b）。

**显著目标检测（Salient Object Detection，SOD）**此任务旨在识别图像中最引人注目的对象，然后分割其像素级轮廓【29】、【30】、【31】。利用SOD技术的旗舰产品是华为的智能手机，它利用SOD技术来制作他们所谓的“AI自拍”。最近，秦等人将SOD算法应用于两个（接近）商业应用：AR COPY&PASTE和OBJECT CUT。这些应用程序已经引起了极大的关注（12K github stars），并具有重要的现实影响。尽管术语“显著”本质上与“隐藏”（standout vs. immersion）相反，但显著物体仍然可以为COD提供重要信息，例如，包含显著物体的图像可以用作负片样本。对SOD进行全面审查超出了本工作的范围。我们建议读者参考最近的调查和基准论文【11】、【34】、【35】、【36】，了解更多详细信息。我们的在线基准测试在 http://dpfan.net/socbenchmark/.

**伪装物体检测（Concealed Object Detection，COD）**对COD的研究在生物学和艺术领域有着悠久而丰富的历史，对提高我们的视觉感知知识有着巨大的影响。阿伯特·塞耶（AbbottThayer）[37]和休·科特（HughCott）[38]关于隐蔽动物的两项杰出研究仍然具有巨大影响力。读者可以参考Stevens等人的调查，了解有关这段历史的更多细节。本次提交后，还接受了一些并行工程【39】、【40】、【41】。

COD数据集。变色龙（CHAMELEON）[24]是一个未发布的数据集，只有76幅图像带有手动注释的对象级地面真实性（GTs）。这些图像是通过谷歌搜索引擎从互联网上以“隐藏的动物”为关键词收集的。另一个当代数据集是CAMO【25】，它有2.5K图像（2K用于训练，0.5K用于测试），涵盖八个类别。它有两个子数据集，CAMO和MS-COCO，每个子数据集包含1.25K图像。与现有数据集不同，COD1K的目标是提供一个更具挑战性、更高质量、注释更密集的数据集。COD10K是迄今为止最大的隐蔽目标检测数据集，包含10K图像（6K用于训练，4K用于测试）。详见表1。

伪装的类型。隐藏图像大致可以分为两类：含有天然伪装的图像和含有人工伪装的图像。动物（如昆虫、海马和头足类）使用自然伪装作为一种生存技能，以避免被捕食者识别。相反，人工伪装通常用于艺术设计/游戏中隐藏信息，出现在产品制造过程中（所谓的表面缺陷[42]、缺陷检测[43]、[44]），或出现在我们的日常生活中（例如，透明物体[45]、[46]、[47]）

COD公式。与语义分割等类感知任务不同，隐藏对象检测是一项与类无关的任务。因此，COD的公式简单且易于定义。给定一幅图像，该任务需要一个隐藏对象检测算法为每个像素i分配一个标签$Labe{l}_i$∈ {0,1}，其中 $Labe{l}_i$ 表示像素 i 的二进制值。0的标签被赋予不属于隐藏对象的像素，而1的标签表示像素被完全分配给隐藏对象。我们专注于对象级（object-level）隐藏对象检测，将隐藏实例检测（instance detection）留给我们未来的工作。

3 COD10K 数据集

新任务和数据集[16]、[48]、[49]的出现导致了计算机视觉各个领域的快速发展。例如，ImageNet[50]彻底改变了视觉识别中深度模型的使用。有鉴于此，我们研究和开发COD数据集的目标是：（1）从隐蔽的角度提供一个新的具有挑战性的目标检测任务，（2）促进几个新主题的研究，以及（3）激发新的想法。图1显示了COD10K的示例。我们将从三个关键方面提供COD10K的详细信息，包括图像采集、专业注释以及数据集功能和统计。

（数据集这块就不写了，有兴趣可以去看原论文）

3.1 图像采集

3.2 专业注释

3.3 数据集功能和统计信息

4 COD 框架

4.1 网络概述

图13示出了所提议的SINet（搜索识别网络）的整体隐藏对象检测框架。接下来，我们将解释我们的动机并介绍网络概述

动机。生物学研究[58]表明，捕食者在捕猎时，首先会判断是否存在潜在的猎物，也就是说，它会寻找猎物。然后，可以识别目标动物；最后，它可以被抓住。

介绍。有几种方法【59】、【60】表明，令人满意的性能取决于重新优化策略（即从粗到细），该策略被视为多个子步骤的组合。这也表明，将复杂目标解耦可以打破性能瓶颈。我们的SINet模型包括狩猎的前两个阶段，即搜索和识别。具体而言，前一阶段（第4.2节）负责搜索隐藏对象，而后一阶段（第4.3节）则用于以级联方式精确检测隐藏对象。

接下来，我们详细介绍了三个主要模块的细节，包括

a）纹理增强模块（TEM），该模块用于捕获具有放大上下文线索的细粒度纹理；

b） 邻居连接解码器（NCD），能够提供位置信息；和

c）级联组反转注意（GRA）块，它们协同工作，从深层细化粗略预测。

4.2 搜索阶段

特征提取 对于输入图像（WxHx3，三通道图像）一组特征 { f k , k ∈ { 1 , 2 , 3 , 4 , 5 } 是 从 R e s 2 N e t ? 50 提 取 出 来 的 } \{f_k,k \in \{1,2,3,4,5\}是从Res2Net-50提取出来的\} {fk?,k∈{1,2,3,4,5}是从Res2Net?50提取出来的}（去掉了前三层，即“average pool”，“1000-d fc ”，“softmax”）。因此，每个特征$f_k$的分辨率是 H / 2 k × W / 2 k , k ∈ { 1 , 2 , 3 , 4 , 5 } H/2^k \times W/2^k,k \in \{1,2,3,4,5\} H/2k×W/2k,k∈{1,2,3,4,5}，覆盖从高分辨率、弱语义到低分辨率、强语义的各种特征金字塔

纹理增强模块（TEM） 欧洲科学实验已经证实，在人类视觉系统中，一组不同大小的群体感受野有助于突出靠近视网膜中央凹的区域，该区域对小的空间位移非常敏感[62]。这促使我们在搜索阶段（通常在一个小的/局部空间中）使用TEM【63】来合并更多的区分性特征表示(discriminative feature representations)。如图13所示。

每个TEM由四个平行的残差分支（residual branches）组成 { b i ， i = 1 , 2 , 3 , 4 } \{b_i，i=1,2,3,4\} {bi?，i=1,2,3,4}，具有不同的膨胀率（dilation rates）$d\in 1,3,5,7$和一个快捷分支（灰色箭头）。在每个分支$b_i$中，第一卷积层利用1×1卷积运算（Conv1×1）将通道大小减少到32。

然后是其他两层：$a(2i?1)\times (2i?1)$ 的卷积层和3×3卷积层（具有特定的膨胀率（$2i?1wheni>1$ ）。然后，将前四个分支$b_i，1,2,3,4$串联起来，并通过3×3卷积运算将通道大小减小到C。注意，我们在网络的默认设置了C=32(为了权衡trade-off时间成本)。最后，添加唯一快捷分支，然后将整个模块馈送到$ReLU$函数，以获得输出特征$f{{}_k}^{\prime }$。

此外，有几个工作（e.g Inception-V3[64]）表明大小为$(2i?1)\times (2i?1)$的标准卷积操作能够被分解为两个步骤，卷积核分别为$(2i?1)\times 1$和$1\times (2i?1)$的两步，在不降低表示能力的情况下，提高了推理效率。所有这些想法都基于这样一个事实，即等级为1的2维kernel等价于一系列一维卷积[65]、[66]。简言之，与标准感受野块结构相比，TEM增加了一个具有更大扩张率（dilation rate）的分支，以扩大感受野，并进一步用两个不对称卷积层取代标准卷积。更多详情请参考图13。

邻居连接解码器 (NCD).

正如Wu等人【63】所观察到的，低级别特征由于其较大的空间分辨率而消耗更多的计算资源，但对性能的贡献较小。基于这一观察结果，我们决定只聚合前三个最高级别的特征，以获得更有效的学习能力，而不是将所有特征金字塔都考虑在内。具体来说，在从之前三个TEM中获得候选特征后，在搜索阶段，我们需要定位隐藏的对象。

然而，在聚合多个特征金字塔时，仍然存在两个关键问题；即，如何在一个层内保持语义一致性，以及如何跨层连接上下文。在这里，我们提出使用邻居连接解码器（neighbor connection decoder ，NCD)来解决这些问题。更具体地说，我们使用邻居连接函数修改了部分解码器组件（PDC）[63]，得到了三个细化的特征 f k n c = F N C ( f k ′ ; W N C u ) , k ∈ { 3 , 4 , 5 } ? a n d ?? u ∈ { 1 , 2 , 3 } f_{k}^{nc}=F_{NC}(f_k';W_{NC}^{u}),k \in \{3,4,5\} \ and \ \ u \in \{1,2,3\} fknc?=FNC?(fk′?;WNCu?),k∈{3,4,5}?and??u∈{1,2,3}，其公式如下：

其中$g[?;W_{NC}^u]$表示一个3×3卷积层，然后是一个批量归一化操作。为了确保候选特征之间的形状匹配，我们使用上采样（例如，2次）操作${\delta }_{\uparrow }^2$在元素相乘之前$?$ ，然后我们将 f k n c , k ∈ { 3 , 4 , 5 } f_{k}^{nc},k \in \{3,4,5\} fknc?,k∈{3,4,5}喂进邻居连接解码器 (NCD)生成粗略位置图$C_6$。

4.3识别阶段

反向制导Reverse Guidance 如第4.2节所述，我们的全局位置图$C_6$源自三个最高层，这只能捕获隐藏对象的相对粗略位置，忽略结构和纹理细节（见图13）。为了解决这个问题，我们引入了一种原则性策略，通过擦除对象（erasing objects ）来挖掘有区别的隐藏区域[7]、[67]、[68]。如图14（b）所示，我们通过sigmoid和反向操作获得输出反向制导$r_1^k$。更准确地说，我们通过反向操作获得输出反向注意引导$r_1^k$，其可表示为

${\delta }_{\uparrow }^2$表示一个x2的上采样，同理，x4的下采样。$\sigma (x)=1/(1+e^{?x})$是sigmoid函数，用于将掩码转换到区间[0，1]。圆圈中间一个减号，这个符号代表一个从矩阵E中减去输入的反向运算，其中所有元素均为1。

组引导操作Group Guidance Operation (GGO) 如[7]所示，反向注意通过从侧输出特征中删除现有的估计目标区域，用于挖掘互补区域和细节。受[69]的启发，我们提出了一种新的分组操作，以更有效地利用反向制导先验。如图14（a ）所示，组引导操作包含两个主要步骤。首先，我们将候选特征 ? { p i k ， i = 1 , 2 , 3 ? } \ \{p^k_i，i=1,2,3\ \} ?{pik?，i=1,2,3?}沿通道维度拆分为$g_i$组，然后，在分割特征$p_{i,j}^k\in R^{H/2^k\times C}$之间周期性地内插引导先验$r_1^k$，其中 i ∈ { 1 , 2 , 3 } ， j ∈ { 1 ， … ， g i } ， k ∈ { 3 , 4 , 5 } . i∈ \{1,2,3\}，j∈ \{1，…，g_i\}，k∈ \{3,4,5\}. i∈{1,2,3}，j∈{1，…，gi?}，k∈{3,4,5}. 因此，此操作可分为两个步骤:

其中，$F^S$和$F^C$表示候选通道的按通道拆分和级联函数。

相比之下，[7]更强调确保候选特征直接乘以先验值，这可能会引发两个问题：a）由于网络的辨别能力有限而导致特征混淆，以及b）简单的乘法引入了真制导先验值和假制导先验值，因此容易积累不准确度。与[7]相比，我们的GGO可以在后续的细化过程之前明确地隔离指导优先和候选特征。

Group-Reversal Attention组反转注意力 (GRA). 最后，我们介绍了一种称为GRA块的残差学习过程，该过程借助于反向引导和组引导操作。根据之前的研究【59】、【60】，多级细化可以提高性能。因此，我们组合了多个GRA块

（e.g， G i k 、 i ∈ { 1 , 2 , 3 } ， k ∈ { 3 , 4 , 5 } G^k_i、i∈ \{1,2,3\}，k∈ \{3,4,5\} Gik?、i∈{1,2,3}，k∈{3,4,5})，通过不同的特征金字塔逐步细化粗预测。总的来说，每个GRA模块有三个残差学习过程：

i) 我们通过group guidance operation将候选特征$p_i^k$和$r_1^k$相结合，然后使用剩余阶段(residual stage)生成细化特征$p_{i+1}^k$。其公式如下

其中，$W^v$表示卷积层，该卷积层具有$3\times 3$内核，然后是批量归一化(batch normalization )层，用于将通道数从$C+g_i$减少到$C$。请注意，在默认实现中，我们仅在第一个GRA块中（即，当i=1时）反转之前的guidance。有关详细讨论，请参阅第5.3节。

ii) 然后，我们得到单通道剩余制导(residual guidance)：

由可学习权重$W_{GRA}^w$参数化。

iii) 最后，我们只输出精制导，作为残差预测。其公式如下：

4.4 实现细节

4.4.1 学习策略

我们的loss函数定义为：$L=L_{IoU}^W+L_{BCE}^W$，其中，$L_{IoU}^W$和$L_{BCE}^W$表示全局限制和局部（像素级）限制的联合（IoU）损失和二进制交叉熵（BCE）损失的加权交集。与分割任务中广泛采用的标准IoU损失不同，加权IoU损失增加了硬像素(hard pixels)的权重以突出其重要性。此外，与标准BCE损耗相比，$L_{BCE}^W$更关注硬像素，而不是赋予所有像素相等的权重。这些损失的定义与【59】、【70】中的定义相同，其有效性已在显著目标检测领域得到验证。在这里，我们对三方输出（即$C_3$、$C_4$和$C_5$）和全局映射$C_6$采用深度监控。将每个地图上采样（例如，$C_3^{up}$）至与ground-truth map G相同的大小。因此，拟定SINet的总损失可表示为：

4.4.2 超参数设置

SINet在PyTorch中实现，并使用Adam optimizer进行训练【71】。在训练阶段，batch size设置为36，学习速率从$1e?4$开始，每50个epoch除以10。整个训练时间只有大约4小时，共100个epoch。运行时间在Intelr i9-9820X CPU@3.30GHz×20平台和单个NVIDIA TITAN RTX GPU上测量。在推理过程中，每个图像的大小被调整为352×352，然后输入到建议的管道中，以获得最终预测，而无需任何后处理技术。推理速度为在单个GPU上每秒~45帧，无需输入/输出时间。PyTorch和Jittor对源代码的验证都将公开提供。

5 COD BENCHMARK

5.1 实验设置

5.1.1 评估指标

平均绝对误差（MAE）广泛应用于SOD任务中。继Perazzi等人【83】之后，我们还采用MAE（M）度量来评估predicted map和ground-truth之间的像素级精度。然而，虽然MAE指标有助于评估错误的存在和数量，但无法确定错误发生的位置。最近，Fan等人提出了一种基于人类视觉感知的E-measure（$E_{\phi }$）[74]，它同时评估像素级匹配(pixel-level matching )和图像级统计(image-level statistics)。该指标自然适用于评估隐蔽目标检测结果的整体和局部精度。注意，我们在实验中报告了平均$E_{\phi }$。由于隐藏对象通常包含复杂的形状，COD还需要一个能够判断结构相似性的度量。因此，我们利用S-measure（$S_{\alpha }$）[84]作为我们的结构相似性评估指标。

最后，最近的研究[74]、[84]表明，加权F-measure（$F_{\beta }^w$）[85]可以提供比传统$F_{\beta }$更可靠的评估结果。因此，我们进一步考虑将其作为COD的替代指标。我们的一个关键评估代码也可以在项目页面上找到。

5.1.2 Baseline Models 基础模型

我们根据以下标准选择了12条深度学习baselines【7】、【12】、【25】、【63】、【75】、【76】、【77】、【78】、【79】、【80】、【81】、【82】：

a）经典架构，b）最近发布，c）在特定领域实现SOTA性能

5.1.3 Training/Testing Protocols

为了与之前的版本【1】进行公平比较，我们对baselines采用了相同的训练设置【1】。我们在整个变色龙数据集以及CAMO和COD10K测试集上评估了模型。

5.2 结果和数据分析

本节分别提供了变色龙、迷彩和COD1K数据集的定量评估结果。
（这块有兴趣去看原论文吧）

5.3 消融实验

现在，我们详细分析了变色龙、迷彩和COD10K上的拟议SINet。我们通过解耦各种子组件（包括NCD、TEM和GRA）来验证有效性，如表6所示。注意，在每个消融变体的再培训过程中，我们保持第4.4节中提到的相同超参数。

6 下游应用

伪装目标检测系统在医学、艺术和农业等领域有着广泛的下游应用。在这里，由于这些应用程序的共同特性，我们设想了一些潜在的用途，其中目标对象与背景具有相似的外观。在这种情况下，COD模型非常适合作为这些应用程序的核心组件来挖掘伪装对象。请注意，这些应用程序只是激发未来研究有趣想法的玩具示例。

6.1 应用一：医药

6.1.1 息肉分割

众所周知，通过医学影像进行早期诊断在疾病治疗中起着关键作用。然而，早期疾病区域/病变通常与周围组织具有高度的同质性。因此，医生很难在早期从医学图像中识别病变区域。一个典型的例子是对息肉进行早期结肠镜检查，这有助于降低大约30%的结直肠癌发病率[7]。与隐蔽目标检测类似，息肉分割（见图18）也面临一些挑战，例如外观变化和边界模糊。最近最先进的息肉分割模型PraNet【7】在息肉分割（Top1）和隐藏对象分割（TOP2）方面都显示出了良好的性能。从这个角度来看，将我们的SINet嵌入到这个应用程序中可能会获得更健壮的结果。

6.1.2 肺部感染细分

另一个隐藏对象检测示例是医学领域中的肺部感染分割任务。最近，2019冠状病毒疾病引起了特别关注，并导致了全球大流行。配备2019冠状病毒疾病肺部感染分割模型的AI系统将有助于2019冠状病毒疾病的早期筛查。有关此应用程序的更多详细信息，请参见最近的细分模型[8]和调查论文[92]。我们相信，使用2019冠状病毒疾病肺部感染分割数据集保留我们的SINet模型将是另一个有趣的潜在应用。

6.2 应用二：制造

6.2.1 表面缺陷检测

在工业制造业中，质量差的产品（如木材、纺织品和磁砖）将不可避免地对经济产生不利影响。从图20可以看出，表面缺陷具有挑战性，不同的因素包括低对比度、模糊边界等。由于传统的表面缺陷检测系统主要依赖于人，主要问题的识别非常主观且耗时。因此，设计一个基于人工智能的自动识别系统对于提高生产率至关重要。我们正在积极构建这样一个数据集，以推进相关研究。一些相关论文可在以下网址找到： https://github.com/Charmve/Surface-Defect-Detection/tree/master/Papers.

6.3 应用三：农业

6.3.1 害虫检测

自2020年初以来，从非洲到南亚，沙漠蝗灾席卷全球。大量蝗虫啃食农田，彻底摧毁农产品，造成严重的经济损失和粮食短缺造成的饥荒。如图21所示，引入基于AI的技术以提供科学监测，对于实现政府的可持续监管/遏制是可行的。为COD模型收集相关昆虫数据需要丰富的生物学知识，这也是该应用中面临的一个难题。

6.3.2 水果成熟度检测

在成熟的早期阶段，许多水果看起来像绿叶，这使得农民很难监控产量。我们在图22中展示了两种水果，即英仙花和杨梅。这些水果与隐蔽物体具有相似的特征，因此可以利用COD算法对其进行识别，提高监测效率

6.4 应用四：艺术

6.4.1 娱乐艺术

背景扭曲到隐藏的显著对象是SIGGRAPH社区中一项迷人的技术。图23显示了Chu等人在【9】中生成的一些示例。我们认为，这种技术将为现有的数据饥渴的深度学习模型提供更多的训练数据，因此，探索Treisman和Wolfe[93]、[94]所描述的特征搜索和连接搜索理论背后的潜在机制是有价值的。

6.4.2从隐蔽到突出的物体

隐蔽目标检测和显著目标检测是两个对立的任务，这使得我们可以方便地设计一个多任务学习框架，同时提高网络的鲁棒性。如图24所示，存在两个反向对象（a）和（c）。一个有趣的应用程序是提供一个滚动条，允许用户自定义隐藏对象中突出对象的程度。

6.5 应用五：日常生活

6.5.1透明材料/物体检测

透明物体，如玻璃制品，在我们的日常生活中很常见。如图25所示，包括门和墙在内的这些对象/事物继承了其背景的外观，使其不可见。作为隐蔽目标检测的一个子任务，透明目标检测[47]和透明目标跟踪[95]已显示出良好的前景。

6.5.2搜索引擎

图26显示了来自Google的搜索结果的示例。从结果中（图26 a），我们注意到搜索引擎无法检测到隐藏的蝴蝶，因此只提供具有类似背景的图像。有趣的是，当搜索引擎配备隐蔽检测系统时（这里，我们只需更改关键字），它可以识别隐藏的对象，然后反馈几个蝴蝶图像（图26 b）

7 潜在研究方向

（1） 弱\半监督检测：Weakly/Semi-Supervised Detection:

（2） 自我监督检测：Self-Supervised Detection:

（3） 其他方式的隐蔽物体检测：Concealed Object Detection in Other Modalities:

（4） 隐蔽物分类：Concealed Object Classification:

（5） 隐蔽物建议和跟踪：Concealed Object Proposal and Tracking:

（6） 隐蔽物等级：Concealed Object Ranking:

（7） 隐藏实例分段：Concealed Instance Segmentation:

（8） 多任务通用网络：Universal Network for Multiple Tasks:

（9） 神经架构搜索：Neural Architecture Search

（10） 将突出对象转换为隐藏对象： Transferring Salient Objects to Concealed Objects:

8 总结

我们首次从隐蔽视觉角度对目标检测进行了全面研究。具体而言，我们提供了新的具有挑战性且注释密集的COD10K数据集，进行了大规模基准测试，开发了一个简单但高效的端到端搜索和识别框架（即SINet），并重点介绍了几个潜在的应用。与现有的前沿基线相比，我们的SINet具有竞争力，并产生了更有利的视觉效果。上述贡献为社区提供了为COD任务设计新模型的机会。未来，我们计划扩展COD1K数据集，以提供各种形式的输入，例如多视图图像（例如RGB-D SOD[107]、[108]）、文本描述、视频（例如VSOD[103]），等等。我们还计划自动搜索最佳感受野[109]，并采用改进的特征表示[110]，以获得更好的模型性能。