[論文レビュー] Strategic Preys Make Acute Predators: Enhancing Camouflaged Object Detectors by Generating Camouflaged Objects

Chunming He, Kai Li+6 more|arXiv (Cornell University)|Aug 6, 2023

Visual Attention and Saliency Detection被引用数 29

ひとこと要約

本論文は、検出が難しい迷彩対象を生成する敵対的フレームワーク Camouflageator と、内部整合性とエッジガイダンスを備えた検出器 ICEG を提案し、最先端の成果を達成するとともに既存の COD モデルとの互換性を確保する。

ABSTRACT

Camouflaged object detection (COD) is the challenging task of identifying camouflaged objects visually blended into surroundings. Albeit achieving remarkable success, existing COD detectors still struggle to obtain precise results in some challenging cases. To handle this problem, we draw inspiration from the prey-vs-predator game that leads preys to develop better camouflage and predators to acquire more acute vision systems and develop algorithms from both the prey side and the predator side. On the prey side, we propose an adversarial training framework, Camouflageator, which introduces an auxiliary generator to generate more camouflaged objects that are harder for a COD method to detect. Camouflageator trains the generator and detector in an adversarial way such that the enhanced auxiliary generator helps produce a stronger detector. On the predator side, we introduce a novel COD method, called Internal Coherence and Edge Guidance (ICEG), which introduces a camouflaged feature coherence module to excavate the internal coherence of camouflaged objects, striving to obtain more complete segmentation results. Additionally, ICEG proposes a novel edge-guided separated calibration module to remove false predictions to avoid obtaining ambiguous boundaries. Extensive experiments show that ICEG outperforms existing COD detectors and Camouflageator is flexible to improve various COD detectors, including ICEG, which brings state-of-the-art COD performance.

研究の動機と目的

• 捕食者-獲物の類比を通じて COD の改善を動機づけ、迷彩生成と検出精度を同時に向上させる。
• 検出器を難しくするようなより迷彩的な対象を生成する Camouflageator を開発し、一般化能力を向上させる。
• CODにおける不完全なセグメンテーションと境界の曖昧さに対処するための ICEG を提案する。
• ICEG が既存の COD 検出器より優れていることと、Camouflageator がさまざまな検出器を高性能化できることを示す。
• Camouflageator フレームワークとの互換性を示す実用的な ICEG+ 変種を提供する。

提案手法

• Camouflageator：生成器 Gc と検出器 Ds を備えた敵対的でプラグアンドプレイ可能なフレームワーク。
• Phase I: Ds を固定して Gc を訓練し、識別可能な手掛かりを隠しつつ背景に似た迷彩画像を生成する（忠実度損失 Lf；隠蔽損失 Lcl）。
• Phase II: Gc を固定し、Ds を訓練して迷彩物体をセグメントする（損失 LsCam）。
• Camouflageator の目的関数は忠実度、隠蔽、検出器ベースの誤誘導損失を組み合わせる： LgCam = Ls a + Lf + λLcl および IceEG統合の総訓練損失 Lt = Ls + Le + βLcc 。
• ICEG：Camouflaged Feature Coherence（CFC）と Edge-Guided Segmentation Decoder（ESD）を備えた検出器。
• CFC モジュール（IFA および CFA）は内部オブジェクト整合性を強制する camouflaged 一貫性損失 Lcc を含む。
• ESD は Edge Reconstruction（ER）モジュールと Edge-Guided Separated Calibration（ESC）モジュールから成り、エッジを鋭利化し偽陽性/偽陰性を減らす。
• 損失にはセグメンテーション損失 Ls（重み付き BCE と IoU）、エッジ損失 Le（Dice）、内部整合性のための Lcc が含まれる。

実験結果

リサーチクエスチョン

• RQ1 敵対的に生成された迷彩オブジェクトは COD 検出器の一般化能力を向上させることができますか？
• RQ2 迷彩シーンに直面したとき、COD 検出器をどのように強化して完全なセグメンテーションとより鋭い境界を実現できますか？
• RQ3 Camouflageator を ICEG のような検出器と統合すると、ベンチマーク全体で最先端の COD 性能を達成しますか？
• RQ4 ICEG+（Camouflageator 内の ICEG）は異なるバックボーンや設定で有益ですか？

主な発見

• Camouflageator は COD 検出器を一貫して改善し、モデル間でプラグアンドプレイ可能である（例：PreyNet および FGANet を改善）とバックボーンにも適用できる。
• ICEG は複数のベンチマークと設定で既存の COD 検出器を上回り、より完全なマップとより鮮明なエッジを提供する。
• ICEG+（Camouflageator 下の ICEG）はさらに改善をもたらし、最先端の結果を達成する。
• Camouflageator は、検出が困難な合成迷彩を訓練データとして用いることにより、検出器の迷彩シナリオへの一般化を向上させる。
• ICEG の CFC モジュールは内部整合性を掘り起こすことでセグメンテーションの完全性を向上させ、ESC はエッジ認識校正により境界の曖昧さを低減する。
• CHAMELEON、CAMO、COD10K、NC4K のデータセット全体で、ICEG および ICEG+ は SOTA と比較して指標 M、Fβ、Eφ、Sα が優れている。