OPC16K

OPC16K是由南京大学和伦敦帝国理工学院联合构建的大规模真实伪装目标检测基准数据集，旨在突破传统封闭世界假设，系统评估模型在开放场景下的性能。该数据集包含16,245张图像，来自14个来源，精心划分为9,000张伪装目标图像、3,050张纯背景图像和4,195张非伪装目标图像，兼顾了分割质量与负样本抑制能力的评估。在构建过程中，通过基于伪装目标类别分布的两轮收集策略，实现了正负样本在场景与类别上的分布对齐，避免模型利用领域差异作为捷径。该数据集主要应用于伪装目标检测领域，解决现有模型在真实部署场景中对纯背景或非伪装目标图像产生大量误报的问题，推动模型从纯分割任务向目标存在性推理的转变。OPC16K is a large-scale real-world camouflaged object detection benchmark dataset jointly developed by Nanjing University and Imperial College London, aiming to break through the traditional closed-world assumption and systematically evaluate the performance of models in open scenarios. This dataset contains 16,245 images from 14 sources, which are carefully divided into 9,000 camouflaged object images, 3,050 pure background images, and 4,195 non-camouflaged object images, enabling simultaneous evaluation of both segmentation quality and negative sample suppression capability. During the construction process, a two-round collection strategy based on the category distribution of camouflaged objects was adopted to align the distribution of positive and negative samples in terms of scenarios and categories, preventing models from leveraging domain differences as shortcuts. This dataset is primarily applied in the field of camouflaged object detection, addressing the issue that existing models generate a large number of false alarms on pure background or non-camouflaged object images in real-world deployment scenarios, and promoting the transition of models from pure segmentation tasks to object existence reasoning.

原始信息汇总

数据集概述

该数据集名为 OPCOD，全称为 Over-optimistic Camouflaged Object Detection Dataset，由论文 Is There Really a Camouflaged Object? Towards Realistic Camouflaged Object Detection 提出。

核心目标

该数据集针对现实场景中的伪装目标检测任务构建，旨在解决现有伪装目标检测数据集中存在的“过度乐观”问题，使模型能够处理更真实、更具挑战性的伪装场景。

关键特性

• 数据构成：包含真实场景中的伪装目标图像，其伪装程度和背景复杂度高于传统基准数据集。
• 任务类型：主要用于伪装目标检测（Camouflaged Object Detection, COD）的模型训练与性能评估。
• 研究意义：通过引入更贴近实际应用的样本，推动伪装目标检测从理想化设定向现实应用场景过渡。

补充说明

• 数据集的代码预计将在近期开源（README中注明“We will open-source the code as soon as possible”）。
• 数据集详情页地址：https://github.com/2231122/OPCOD

搜集汇总

数据集介绍

构建方式

OPC16K数据集构建过程严谨而系统，旨在突破传统COD基准中仅含伪装正样本的局限。该数据集汇聚了来自14个来源的16,245幅图像，通过人工筛选与精细整理，划分为三个核心子集：伪装物体图像（CO）、纯背景图像（BG）及非伪装物体图像（NOCOD）。CO子集包含9,000幅经人工确认的伪装样本；BG子集由3,050幅无物体场景图构成；NOCOD子集则涵盖4,195幅含显著或普通非伪装物体的图像，两者共同构成负样本集。为规避数据泄露，采用图像哈希与感知相似性过滤技术剔除重复样本。注释方面，CO样本沿用原始掩膜，BG样本赋予全背景掩膜，NOCOD样本则结合原有掩膜与SAM3自动标注并辅以人工精修。最终数据划分为8,035幅训练图与8,210幅测试图，确保各子集分布均衡。

特点

OPC16K数据集的核心特色在于其对负样本的精细化设计与分布对齐策略，显著区别于既有基准。数据集精心匹配正负样本的前景类别与场景级分布，通过两轮收集流程，依据正样本类别频率指导负样本采集，并针对稀有类别如蛇类、昆虫等从专门数据源补充，从而抑制模型利用类别或域差异作为捷径。此外，OPC16K首次系统性地涵盖了显著物体（NOCOD-Salient）与一般非伪装物体（NOCOD-General）两类负样本，且所有负样本均具备掩膜注释，支持训练与评估。其类别分布与正样本高度一致，确保挑战源于伪装本身而非域偏移，为真实场景下的COD模型评估提供了可靠基准。

使用方法

OPC16K数据集专为真实场景下的伪装物体检测（COD）研究而设计，支持对模型在伪装、纯背景及非伪装物体三类情境下的综合性能评估。使用时，研究者可依据标准划分（8,035训练/8,210测试）进行模型训练，并采用建议的评估协议，包括三分类准确率、负样本误报率（FPR）及分割质量指标（如oMAE、oSm等）。该基准尤其适用于检验模型在开放世界中的负样本抑制能力与分割鲁棒性。同时，OPC16K鼓励研究者将COD视为包含物体定位与伪装存在性推理的联合任务，并可与配套的OPCNet框架结合使用，以探索存在性感知机制在真实场景中的效用。

背景与挑战

背景概述

OPC16K数据集由南京大学与帝国理工学院的研究团队于2026年提出，旨在解决现实场景下伪装目标检测（COD）中存在的封闭世界假设问题。该数据集包含16,245幅图像，涵盖伪装目标、纯背景及非伪装目标三类，并通过精细的分布对齐策略，确保负样本与正样本在类别和场景分布上的一致性。OPC16K的创建为COD模型提供了首个系统性的现实评估基准，推动了该领域从理想化设定向开放世界应用的转变。

当前挑战

传统COD方法在开放世界场景下易产生大量误报，现有基准数据集缺乏对负样本的充分考量，导致模型性能评估失真。构建过程中面临的主要挑战包括：负样本的收集与分布对齐困难，需避免类别和场景偏差；图像去重需兼顾感知相似性；以及为负样本提供高质量的像素级标注，需借助SAM等工具并人工精修。此外，如何设计合理的评估协议，同时衡量分类精度、误报率及分割质量，也是一项重要挑战。

常用场景

经典使用场景

OPC16K作为首个系统应对真实场景下伪装目标检测挑战的大规模基准数据集，其经典使用场景聚焦于开放世界环境中的伪装目标识别与分割。该数据集精心整合了伪装目标图像、纯背景图像及非伪装目标图像三大类样本，旨在全面评测模型在复杂视觉场景下的感知与判别能力。研究者可基于此数据集开展模型训练与性能评估，尤其针对传统方法在负样本上产生严重误报的痛点，通过统一的三分类协议检验模型对伪装存在性的推理能力，推动伪装目标检测从封闭假设向真实开放场景的范式转变。

衍生相关工作

OPC16K的发布催生了一系列高质量衍生研究工作。一方面，基于该基准，研究者提出了多种面向真实场景的伪装目标检测新框架，如OPCNet通过层次化存在推理、相似度感知关系建模及存在感知特征细化等机制，显著提升了三分类准确率并降低误报。另一方面，该数据集促进了评测协议的革新，推动了从单纯分割质量向包含分类精度、负样本误报率与分割质量的综合评估体系的转变。此外，它启发了联合显著目标与伪装目标检测、弱监督与无监督伪装检测等方向的研究，为通用视觉感知模型的可靠部署奠定了数据基础。

数据集最近研究

最新研究方向

OPC16K数据集的最新研究方向聚焦于推动伪装目标检测从封闭世界假设向开放世界场景的范式转变。该数据集通过系统引入纯背景与非伪装目标等负样本，并精心对齐分布以减少捷径学习，首次为真实场景下的视觉伪装感知提供了大规模评测基准。其核心贡献在于推动模型从单纯的分割任务向目标定位与伪装存在性推理的联合建模演进，催生了诸如存在感知网络等新型架构，显著降低了误检率，对军事侦察、野外搜救及医学影像分析等实际应用具有深远影响。

相关研究论文

• Is There Really a Camouflaged Object? Towards Realistic Camouflaged Object Detection

  南京大学; 伦敦帝国理工学院 · 2026年