摘要

伪装是跨物种的关键防御机制，对生存至关重要。常见的伪装策略包括背景匹配、模仿环境的颜色和图案，以及破坏性着色，即掩盖身体轮廓[35]。伪装物体检测（COD）旨在分割隐藏在环境中的伪装物体。现有的COD模型基于二值真值进行构建，以分割伪装物体但未说明其伪装程度。本文重新审视了这一任务，并认为显式建模特定背景下伪装物体的显著性不仅可以更好地理解动物的伪装及其进化过程，还可以为设计更复杂的伪装技术提供指导。此外，我们观察到正是某些特定部位使得伪装物体被天敌发现。基于对伪装物体的上述理解，我们提出了首个基于排名的COD网络（Rank-Net），该网络能够同时定位、分割和评估伪装物体。定位模型用于识别使伪装物体变得明显的判别区域；分割模型则分割整个范围内的伪装物体；而排名模型推断不同伪装物体的可检测性。此外，我们贡献了一个大规模的COD测试集来评估COD模型的泛化能力。实验结果表明，我们的模型达到了新的最先进水平，从而实现了一个更具解释性的COD网络。