[论文解读] 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 29

一句话总结

本论文提出 Camouflageator，是一个对抗性框架，用于生成更难以被检测到的伪装对象以提升 COD 检测器的性能，以及 ICEG——具有内部一致性和边缘引导的检测器，达到到目前为止的最先进结果，并且与现有 COD 模型兼容。

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.

研究动机与目标

• 通过 prey-predator 类比来激发 COD 提升，旨在同时提升伪装生成与检测精度。
• 开发 Camouflageator 以生成对检测器更具挑战性的伪装对象，从而提升泛化能力。
• 提出 ICEG 以解决 COD 中的不完整分割与边界模糊问题。
• 证明 ICEG 在现有 COD 检 detector 上具有更优性能，以及 Camouflageator 可提升多种检测器。
• 提供一个实用的 ICEG+ 变体，展示与 Camouflageator 框架的兼容性。

提出的方法

• Camouflageator：一个对抗性、即插即用的框架，包含生成器 Gc 与检测器 Ds。
• 阶段 I：在 Ds 固定下训练 Gc，使伪装图像更贴近背景并隐藏判别线索（保真度损失 Lf；隐蔽损失 Lcl）。
• 阶段 II：固定 Gc，训练 Ds 进行伪装对象分割（损失 LsCam）。
• Camouflageator 目标函数结合保真、隐蔽与检测器欺骗损失：LgCam = Ls a + Lf + λLcl，及用于 ICEG 集成的总训练损失 Lt = Ls + Le + βLcc。
• ICEG：具备 Camouflaged Feature Coherence (CFC) 与 Edge-Guided Segmentation Decoder (ESD) 的检测器。
• CFC 模块（IFA 与 CFA）包含 camouflaged consistency 损失 Lcc，以强化内部对象的一致性。
• ESD 由边缘重建（ER）模块与边缘引导的分离标定（ESC）模块组成，以提高清晰边缘并减少误检/漏检。
• 损失函数包括分割损失 Ls（加权 BCE 与 IoU），边缘损失 Le（Dice），以及内部一致性 Lcc。

实验结果

研究问题

• RQ1 对抗性生成的伪装对象能否提升 COD 检 detectors 的泛化能力？
• RQ2 在面对伪装场景时，如何提升 COD 检测器以实现完整分割和更清晰的边界？
• RQ3 将 Camouflageator 与 ICEG 等检测器结合，是否在各基准测试中实现最先进的 COD 性能？
• RQ4 ICEG+（在 Camouflageator 框架中的 ICEG）对不同骨干与设置是否有益？

主要发现

• Camouflageator 对 COD 检测器具有一致性提升作用，并且可作为插件在不同模型（如 PreyNet 与 FGANet）及骨干网络上使用。
• ICEG 在多个基准与设置上优于现有 COD 检测器，提供更完整的分割图与更清晰的边缘。
• ICEG+（在 Camouflageator 下的 ICEG）进一步提升，达到最先进的结果。
• Camouflageator 通过在更难以检测的合成伪装上进行训练，帮助检测器更好地泛化到伪装场景。
• ICEG 的 CFC 模块通过挖掘内部一致性提高分割的完整性，而 ESC 通过边缘感知标定降低边界模糊。
• 在数据集 CHAMELEON、CAMO、COD10K、NC4K 上，ICEG 与 ICEG+ 的评测指标（M、Fβ、Eφ、Sα）优于 SOTA。