カモフラージュされた物体のセグメンテーションとディストラクションマイニング

カモフラージュされた物体のセグメンテーション（COS）は、周囲環境に「完全に」同化した物体を識別することを目指しており、その応用範囲は非常に広く、価値のあるものとなっています。COSの主要な課題は、候補となる物体とノイズ背景との間に内在的な類似性が高いため、区別が困難であることです。本論文では、効果的かつ効率的なCOSへの挑戦を追求します。そのため、自然界における捕食プロセスを模倣した生物 Inspirational フレームワークであるPositioning and Focus Network（PFNet）を開発しました。具体的には、PFNetには2つの主要モジュールが含まれています。すなわち、位置特定モジュール（Positioning Module: PM）と焦点集中モジュール（Focus Module: FM）です。PMは、捕食プロセスにおける検出過程を模倣し、全体的な視点から潜在的な目標物体の位置を特定するための設計となっています。その後、FMは捕食プロセスにおける識別過程を模倣し、曖昧な領域に焦点を当てることで粗い予測を段階的に洗練していく役割を持っています。特にFMにおいては、新たなdistraction mining strategy（分散発見および除去戦略）を開発し、推定性能の向上に寄与しています。多数の実験結果により、我々のPFNetはリアルタイム（72 FPS）で動作し、3つの難易度の高いデータセットにおいて4つの標準評価指標に基づいて18種類の最先端モデルを大幅に上回ることが示されました。