La segmentation d'objets camouflés (COS) vise à identifier des objets qui s'assimilent « parfaitement » à leur environnement, ce qui présente une gamme étendue d'applications précieuses. Le défi majeur de la COS réside dans l'existence de fortes similarités intrinsèques entre les objets candidats et le bruit de fond. Dans cet article, nous nous efforçons de relever les défis en vue d'une COS efficace et efficiente. À cette fin, nous développons un cadre inspiré par la biologie, appelé Réseau de Positionnement et de Focus (PFNet), qui imite le processus de prédation dans la nature.Plus précisément, notre PFNet comprend deux modules clés : le module de positionnement (PM) et le module de focus (FM). Le PM est conçu pour imiter le processus de détection lors de la prédation afin de localiser les objets cibles potentiels d'une perspective globale. Ensuite, le FM est utilisé pour effectuer le processus d'identification lors de la prédation, raffinant progressivement la prédiction grossière en se concentrant sur les régions ambiguës. Il convient de noter que dans le FM, nous avons développé une nouvelle stratégie d'extraction des distractions pour découvrir et éliminer les distractions, ce qui améliore les performances de l'estimation. De nombreux expériences montrent que notre PFNet fonctionne en temps réel (72 images par seconde) et surpass significativement 18 modèles à la pointe du progrès sur trois jeux de données difficiles selon quatre métriques standards.