Gleichzeitige Lokalisierung, Segmentierung und Rangfolge der getarnten Objekte

Tarnung ist ein entscheidendes Verteidigungsmechanismus bei verschiedenen Arten, der für das Überleben von grundlegender Bedeutung ist. Gängige Strategien zur Tarnung umfassen die Anpassung an den Hintergrund, das Imitieren von Farb- und Mustermerkmalen der Umgebung sowie die störende Färbung, die Körperkonturen verschleiern soll [35]. Die Erkennung getarnter Objekte (Camouflaged Object Detection, COD) hat zum Ziel, getarnte Objekte in ihrer Umgebung zu segmentieren. Bestehende COD-Modelle basieren auf binären Ground Truth-Daten, um getarnte Objekte zu segmentieren, ohne den Grad der Tarnung darzustellen. In dieser Arbeit überarbeiten wir diese Aufgabe und argumentieren, dass eine explizite Modellierung der Auffälligkeit getarnter Objekte im Vergleich zu ihren spezifischen Hintergründen nicht nur zu einem besseren Verständnis von Tarnung und Evolution von Tieren führen kann, sondern auch Anleitung zur Entwicklung komplexerer Tarnmethoden bietet. Darüber hinaus beobachten wir, dass bestimmte Teile der getarnten Objekte es Raubtieren ermöglichen, sie zu erkennen. Basierend auf diesem Verständnis von getarnten Objekten präsentieren wir das erste rangbasierte COD-Netzwerk (Rank-Net), das gleichzeitig Lokalisierung, Segmentierung und Rangfolge von getarnten Objekten durchführt. Das Lokalisierungsmodell dient dazu, die diskriminierenden Bereiche zu identifizieren, die das getarnte Objekt auffällig machen. Das Segmentierungsmodell segmentiert den gesamten Bereich des getarnten Objekts. Das Rangfolgemodell schließt die Erkennbarkeit verschiedener getarnter Objekte ab. Zudem leisten wir einen Beitrag mit einem großen COD-Testdatensatz zur Bewertung der Generalisierungsfähigkeit von COD-Modellen. Experimentelle Ergebnisse zeigen, dass unser Modell neue Standarts aufstellt und somit zu einem interpretierbareren COD-Netzwerk führt.