涂鸦、边界框和点通吃，SAM-COD在伪装目标检测中的应用 ！

文章预览

关注“ FightingCV ”公众号 回复“ AI ”即可获得超100G人工智能的 教程 点击进入→   FightingCV交流群 大部分伪装目标检测（COD）方法严重依赖 Mask 标注，这些标注的获取既耗时又费力。现有的弱监督COD方法与全监督方法相比性能显著较差，难以同时支持现有的所有伪装物体标签类型，包括涂鸦、边界框和点。 即使在 Segment Anything Model （SAM）中，处理弱监督COD仍然是一个问题，而且通常会遇到涂鸦标签的提示兼容性、极端响应、语义错误响应和不稳定特征表示等挑战，从而在伪装场景中产生令人不满意的成果。为了减轻这些问题，作者提出了一种统一的COD框架，称为SAM-COD，该框架可以支持任意弱监督标签。作者的SAM-COD利用提示调整器根据SAM处理涂鸦作为提示。同时，作者引入了响应过滤器和语义匹配模块来提高在COD提示下SAM获得的 Mask 的质量。 为 ………………………………