YUV20K：複雑度に駆動されたベンチマークと、動画カモフラージュ対象検出のための軌跡対応アライメントモデル

要旨: ビデオカモフラージュ物体検出（VCOD）は現在、困難なベンチマークの不足と、不規則な運動ダイナミクスに対するモデルの限られた頑健性によって制約されています。既存の手法はしばしば、複雑な運動シナリオによって引き起こされる運動誘起の外観不安定性や、時間的特徴の不一致に苦戦します。データのボトルネックに対処するために、我々はピクセルレベルの注釈付き複雑性駆動型VCODベンチマークであるYUV20Kを提示します。91のシーンと47種類の種にまたがる24,295枚の注釈付きフレームで構成されており、大きな変位を伴う運動、カメラ運動、およびその他の4種類のシナリオといった、特に困難な状況を対象としています。手法面では、2つの主要モジュールを備えた新しいフレームワークを提案します：Motion Feature Stabilization（MFS）とTrajectory-Aware Alignment（TAA）です。MFSモジュールはフレームに依存しないセマンティック基底プリミティブを用いて特徴を安定化し、一方でTAAモジュールは軌跡に導かれた変形可能なサンプリングを活用して、正確な時間的アラインメントを保証します。大規模な実験の結果、我々の手法は既存データセット上で最先端の競合に対して大幅に優れており、また困難なYUV20Kにおいて新しい基準（ベースライン）を確立することが示されました。特に、我々のフレームワークは、複雑な時空間シナリオに直面した際に、ドメインをまたいだ汎化性能と頑健性がより優れていることが分かります。コードとデータセットは https://github.com/K1NSA/YUV20K で公開します