Wir präsentieren eine umfassende Studie zu einer neuen Aufgabe namens Camouflaged Object Detection (COD), die darauf abzielt, Objekte zu identifizieren, die „nahtlos“ in ihrer Umgebung versteckt sind. Die hohe intrinsische Ähnlichkeit zwischen dem Zielobjekt und dem Hintergrund macht COD deutlich anspruchsvoller als die klassische Objektdetektion. Um dieses Problem anzugehen, haben wir eine neue Datensammlung, namens COD10K, sorgfältig zusammengestellt, die aus 10.000 Bildern besteht, die camouflaged Objekte in verschiedenen natürlichen Szenen über mehr als 78 Objekt-Kategorien abdeckt. Alle Bilder sind dicht mit Kategorie-, Bounding-Box-, Objekt-/Instanz- und Matting-Level-Annotationen versehen. Diese Datensammlung kann als Treiber für den Fortschritt zahlreicher visueller Aufgaben dienen, beispielsweise Lokalisierung, Segmentierung und Alpha-Matting. Zusätzlich entwickeln wir einen einfachen, aber wirksamen Ansatz für COD, den sogenannten Search Identification Network (SINet). Ohne aufkomplizierte Zusatzfunktionen zu setzen, übertrifft SINet auf allen getesteten Datensätzen verschiedene state-of-the-art-Objektdetektionsbaselines und stellt damit ein robustes, allgemeingültiges Framework dar, das zukünftige Forschungen im Bereich COD unterstützen kann. Schließlich führen wir eine großangelegte COD-Studie durch, bei der wir 13 moderne Modelle evaluieren, interessante Erkenntnisse gewinnen und mehrere potenzielle Anwendungen aufzeigen. Unsere Forschung bietet der wissenschaftlichen Gemeinschaft die Möglichkeit, sich tiefer in dieses neue Feld einzuarbeiten. Der Quellcode wird unter https://github.com/DengPingFan/SINet/ zur Verfügung gestellt.