本稿では、「隠蔽された物体検出（Camouflaged Object Detection, COD）」と呼ばれる新たなタスクについて包括的な研究を提示する。このタスクは、周囲環境に「完全に溶け込む」ように配置された物体を検出することを目的としている。対象物体と背景との間にある高い内在的類似性により、CODは従来の物体検出タスクよりもはるかに困難である。この課題に対処するため、我々は10,000枚の画像から構成される新しいデータセット「COD10K」を詳細に収集した。このデータセットは、多様な自然シーンに存在する隠蔽された物体をカバーしており、78種類以上の物体カテゴリを含んでいる。すべての画像は、カテゴリラベル、バウンディングボックス、物体レベル／インスタンスレベル、およびマッティングレベルのラベルにより密にアノテーションされている。このデータセットは、局所化、セグメンテーション、アルファマッティングなど、さまざまな視覚タスクの進展を促進する基盤となる可能性がある。さらに、本研究では、シンプルながらも効果的なCOD用フレームワーク「Search Identification Network（SINet）」を提案する。特別な技術的装飾を用いずに、テストされたすべてのデータセットにおいて、既存の最先端物体検出ベースラインを上回る性能を達成しており、COD分野における今後の研究を支援する強固で汎用性の高いフレームワークであることが示された。最後に、13種類の最先端モデルを用いた大規模なCOD評価を実施し、興味深い知見を明らかにするとともに、いくつかの潜在的な応用例を提示した。本研究は、コミュニティがこの新分野においてさらに深く探求する機会を提供するものである。実装コードは、https://github.com/DengPingFan/SINet/ にて公開される予定である。