SurANet：一种基于周围信息的隐蔽物体检测网络，采用高效的交互式对比学习策略

本研究提出了COD10K数据集，包含10,000张图像和78个物体类别，旨在提高伪装物体检测。

Search Identification Network（SINet）在所有测试数据集上超越了12个前沿基线，成为COD的强大基线。

提出的C2F-Net通过注意力引导的跨级融合模块和双分支全局上下文模块，显著提高了伪装对象检测的性能。

ZoomNet模型采用缩放策略和混合尺度单元，能够适应模糊背景干扰，并在SOD任务上取得优异效果。

统一协同金字塔网络通过模拟人类行为的缩放策略，增强了对伪装物体的检测能力。

OWinCANet通过重叠窗口跨层级注意力方法，显著提高了伪装对象检测的准确性。

CoFiNet专注于多尺度特征融合与提取，证明了其在伪装对象检测方面的出色性能。

无监督/自监督学习方法显著减少了人工标注成本，并在目标检测中取得了89.2%的准确率，提升了15倍。

SENet通过不对称ViT结构在隐藏目标检测和显著目标检测任务上取得了竞争力的结果。

提出的图像到图像翻译方法在多个跨域物体检测设置中表现出最先进的性能，减少了对昂贵物体注释的依赖。