研究人员开发了新的伪装目标检测（COD）框架，以解决过度检测问题。一种方法CFCamo使用反事实基准来训练智能体，使其能够检测伪装目标并在没有目标时弃权，从而提高了在现有数据集上的性能，并在新的CF-COD基准上实现了高对准确率。另一种方法CamoSAM2通过整合运动和外观线索来优化Segment Anything Model 2（SAM2）的提示，以增强视频中伪装目标的自动检测和分割，在平均交并比（mIoU）和推理速度方面优于当前最先进的方法。 AI
影响 伪装目标检测的这些进展可以提高AI在复杂视觉环境中准确识别和分割目标的能力，影响监控、医学成像和自主系统等领域。
排序理由 两篇不同的研究论文介绍了用于伪装目标检测的新框架。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.11231v1 Announce Type: new Abstract: Vision-language reinforcement learning has recently shown strong target-present localization for camouflaged object detection (COD). Yet localization is only one side of the decision: when the agent faces an ordinary image with no c…
arXiv:2504.00375v2 Announce Type: replace Abstract: The Segment Anything Model 2 (SAM2), a prompt-guided video foundation model, has remarkably performed in video object segmentation, drawing significant attention in the community. Due to the high similarity between camouflaged o…