Arxiv'2025 | CGCOD：类别引导的伪装目标检测

主要观点总结

本文介绍了关于伪装目标检测的论文，包括新任务、数据集、方法和实验。论文提出了类别引导的伪装目标检测（CGCOD）任务，通过引入目标类别知识提高了模型在复杂环境中的鲁棒性和分割精度。还构建了一个新的数据集CamoClass，并提出了一个多阶段框架CGNet，其中包括类别提示生成器和类别引导检测器。通过整合视觉和文本信息，CGNet实现了高效的分割。最后，文中介绍了论文的实验和推广应用。

关键观点总结

关键观点1: 论文创新点

提出了类别引导的伪装目标检测（CGCOD）任务，通过引入目标类别知识提高了模型性能。

关键观点2: 数据集介绍

构建了CamoClass数据集，整合了多个现有的COD数据集，并为所有图像标注了类别标签。

关键观点3: 方法介绍

提出了CGNet框架，包括类别提示生成器（CPG）和类别引导检测器（CGD）。CPG生成类别提示特征，CGD通过语义一致性模块（SCM）减少误报和漏报。

关键观点4: 实验与推广应用

文中介绍了论文的实验结果和推广应用，鼓励高校实验室或个人分享自己的论文解读。