Le camouflage est un mécanisme de défense clé chez les espèces, essentiel à la survie. Les stratégies courantes de camouflage incluent l'assimilation au fond, l'imitation des couleurs et motifs de l'environnement, et la coloration disruptive, qui dissimule les contours du corps [35]. La détection d'objets camouflés (COD) vise à segmenter les objets camouflés se cachant dans leur environnement. Les modèles de COD existants sont basés sur une vérité terrain binaire pour segmenter les objets camouflés sans illustrer le niveau de camouflage. Dans cet article, nous réexaminons cette tâche et soutenons que modéliser explicitement la visibilité des objets camouflés par rapport à leurs fonds spécifiques peut non seulement améliorer notre compréhension du camouflage et de l'évolution des animaux, mais aussi fournir des orientations pour concevoir des techniques de camouflage plus sophistiquées. De plus, nous constatons qu'il s'agit de parties spécifiques des objets camouflés qui les rendent détectables par les prédateurs. Avec cette compréhension des objets camouflés, nous présentons le premier réseau COD basé sur le classement (Rank-Net) capable de localiser, segmenter et classer simultanément les objets camouflés. Le modèle de localisation est proposé pour identifier les régions discriminantes qui rendent l'objet camouflé évident. Le modèle de segmentation segmente l'ensemble des objets camouflés. Et le modèle de classement infère la détectabilité des différents objets camouflés. De plus, nous contribuons avec un grand ensemble de test COD pour évaluer la capacité de généralisation des modèles COD. Les résultats expérimentaux montrent que notre modèle atteint un nouveau niveau d'état de l'art, conduisant à un réseau COD plus interprétable.