SDDF: Specificity-Driven Dynamic Focusing for Open-Vocabulary Camouflaged Object Detection

📄 arXiv: 2603.26109v1 📥 PDF

作者: Jiaming Liang, Yifeng Zhan, Chunlin Liu, Weihua Zheng, Bingye Peng, Qiwei Liang, Boyang Cai, Xiaochun Mai, Qiang Nie

分类: cs.CV

发布日期: 2026-03-27

备注: Accepted by CVPR2026

💡 一句话要点

SDDF：面向开放词汇伪装目标检测的特异性驱动动态聚焦方法

🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 开放词汇目标检测 伪装目标检测 视觉-语言模型 动态聚焦 特异性驱动

📋 核心要点

  1. 现有开放词汇目标检测器在伪装目标检测中，难以区分与背景高度相似的目标，导致检测失败。
  2. 论文提出特异性驱动的动态聚焦方法，通过减少文本噪声和增强视觉判别力来解决伪装目标检测难题。
  3. 实验结果表明，该方法在OVCOD-D基准测试中取得了显著的性能提升，AP值达到56.4。

📝 摘要（中文）

开放词汇目标检测(OVOD)旨在利用文本提示检测开放世界中已知和未知的物体。受益于大规模视觉-语言预训练模型的出现，OVOD展现出强大的零样本泛化能力。然而，在处理伪装目标时，由于目标和背景的视觉特征高度相似，检测器通常无法区分和定位目标。为了弥合这一差距，我们构建了一个名为OVCOD-D的基准，通过精心选择的伪装目标图像和细粒度的文本描述进行增强。由于可用的伪装目标数据集规模有限，我们采用在大规模目标检测数据集上预训练的检测器作为基线方法，因为它们具有更强的零样本泛化能力。针对多模态大型模型生成的特异性感知子描述中仍然存在混淆和过度装饰性修饰语的问题，我们设计了一种子描述主成分对比融合策略，以减少噪声文本成分的干扰。此外，为了解决伪装目标的视觉特征与其周围环境的视觉特征高度相似的挑战，我们提出了一种特异性引导的区域弱对齐和动态聚焦方法，旨在增强检测器区分伪装目标与背景的能力。在开放集评估设置下，该方法在OVCOD-D基准上实现了56.4的AP。

🔬 方法详解

问题定义：开放词汇伪装目标检测(OVCOD)旨在检测图像中与背景高度融合的物体，并使用文本描述来指导检测过程。现有方法在处理伪装目标时，由于目标和背景的视觉特征相似，以及文本描述中可能存在的噪声，导致检测精度下降。现有方法难以有效区分伪装目标与背景，并且容易受到文本描述中无关信息的影响。

核心思路：论文的核心思路是通过特异性驱动的方式，增强检测器对伪装目标的判别能力。具体来说，首先通过子描述主成分对比融合策略来减少文本描述中的噪声，然后利用特异性引导的区域弱对齐和动态聚焦方法来增强视觉特征的判别力，从而提高检测精度。这种方法旨在使检测器更加关注伪装目标的关键特征，并减少背景和噪声的干扰。

技术框架：整体框架包含以下几个主要模块：1) 子描述生成模块：利用多模态大型模型生成关于图像的多个子描述。2) 子描述主成分对比融合模块：通过主成分分析和对比学习，减少子描述中的噪声和冗余信息。3) 特异性引导的区域弱对齐模块：利用文本描述的特异性信息，引导视觉特征与文本特征进行弱对齐。4) 动态聚焦模块：根据对齐结果，动态调整视觉特征的权重，增强对伪装目标的关注。

关键创新：论文的关键创新在于提出了特异性驱动的动态聚焦方法，该方法能够有效地减少文本噪声，并增强视觉特征的判别力。与现有方法相比，该方法更加关注伪装目标的关键特征，并能够更好地利用文本描述中的特异性信息。此外，论文还构建了一个新的伪装目标检测基准OVCOD-D，为该领域的研究提供了新的数据支持。

关键设计：在子描述主成分对比融合模块中，使用了主成分分析来提取子描述的主要特征，并使用对比学习来增强不同子描述之间的区分度。在特异性引导的区域弱对齐模块中，使用了余弦相似度来衡量视觉特征和文本特征之间的相似度，并使用弱监督学习来训练对齐模型。在动态聚焦模块中，使用了sigmoid函数来生成注意力权重，并使用加权平均来融合不同的视觉特征。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该方法在OVCOD-D基准测试中取得了显著的性能提升，AP值达到56.4，超过了现有基线方法。实验结果表明，该方法能够有效地减少文本噪声，并增强视觉特征的判别力，从而提高伪装目标检测的准确性。与现有方法相比，该方法在开放集评估设置下表现出更强的泛化能力。

🎯 应用场景

该研究成果可应用于安全监控、医学图像分析、遥感图像分析等领域。例如，在安全监控中，可以用于检测隐藏在环境中的可疑物体；在医学图像分析中，可以用于检测难以发现的病灶；在遥感图像分析中，可以用于检测伪装的军事目标。该研究有助于提高目标检测的准确性和鲁棒性，具有重要的实际应用价值。

📄 摘要（原文）

Open-vocabulary object detection (OVOD) aims to detect known and unknown objects in the open world by leveraging text prompts. Benefiting from the emergence of large-scale vision--language pre-trained models, OVOD has demonstrated strong zero-shot generalization capabilities. However, when dealing with camouflaged objects, the detector often fails to distinguish and localize objects because the visual features of the objects and the background are highly similar. To bridge this gap, we construct a benchmark named OVCOD-D by augmenting carefully selected camouflaged object images with fine-grained textual descriptions. Due to the limited scale of available camouflaged object datasets, we adopt detectors pre-trained on large-scale object detection datasets as our baseline methods, as they possess stronger zero-shot generalization ability. In the specificity-aware sub-descriptions generated by multimodal large models, there still exist confusing and overly decorative modifiers. To mitigate such interference, we design a sub-description principal component contrastive fusion strategy that reduces noisy textual components. Furthermore, to address the challenge that the visual features of camouflaged objects are highly similar to those of their surrounding environment, we propose a specificity-guided regional weak alignment and dynamic focusing method, which aims to strengthen the detector's ability to discriminate camouflaged objects from background. Under the open-set evaluation setting, the proposed method achieves an AP of 56.4 on the OVCOD-D benchmark.