Getarnte Objekte versuchen, ihre Textur in den Hintergrund zu verbergen, und es ist selbst für Menschen schwierig, sie vom Hintergrund zu unterscheiden. Das Hauptziel dieses Papiers ist es, das Problem der Segmentierung getarnter Objekte zu untersuchen, nämlich das Segmentieren der getarnten Objekte für ein bestimmtes Bild. Dieses Problem wurde trotz einer Vielzahl möglicher Anwendungen, einschließlich der Erhaltung wilder Tiere und der Entdeckung neuer Arten, Überwachungssystemen, Such- und Rettungseinsätzen bei Naturkatastrophen wie Erdbeben, Überschwemmungen oder Hurrikanen, nicht gut untersucht. Dieses Papier befasst sich mit einem neuen herausfordernden Problem der getarnten Objektsegmentierung. Um dieses Problem zu beheben, stellen wir einen neuen Bilddatensatz von getarnten Objekten für Benchmarking-Zwecke zur Verfügung. Darüber hinaus schlagen wir ein allgemeines End-to-End-Netzwerk namens Anabranch Network vor, das sowohl Klassifizierungs- als auch Segmentierungsaufgaben nutzt. Im Gegensatz zu bestehenden Netzwerken für die Segmentierung besitzt unser vorgeschlagenes Netzwerk den zweiten Zweig für die Klassifizierung, um die Wahrscheinlichkeit vorherzusagen, getarnte Objekte in einem Bild zu enthalten, die dann in den Hauptzweig für die Segmentierung verschmolzen werden, um die Segmentierungsgenauigkeit zu erhöhen. Umfangreiche Experimente, die mit dem neu erstellten Datensatz durchgeführt wurden, zeigen die Wirksamkeit unseres Netzwerks unter Verwendung verschiedener vollständig faltender Netzwerke.