Kamuflerte objekter forsøker å skjule sin tekstur i bakgrunnen og diskriminere dem fra bakgrunnen er vanskelig selv for mennesker. Hovedmålet med dette papiret er å utforske det kamuflerte objekts segmenteringsproblemet, nemlig å segmentere det kamuflerte objektet(e) for et gitt bilde. Dette problemet har ikke blitt godt studert til tross for et bredt spekter av potensielle applikasjoner, inkludert bevaring av ville dyr og oppdagelse av nye arter, overvåkingssystemer, søk og redningsoppdrag i tilfelle naturkatastrofer som jordskjelv, flom eller orkaner. Dette papiret løser et nytt utfordrende problem med kamuflert objekt segmentering. For å løse dette problemet, gir vi et nytt bilde datasett av kamuflerte objekter for benchmarking formål. I tillegg foreslår vi et generelt end-to-end-nettverk, Kalt Anabranch-Nettverket, som utnytter både klassifiserings-og segmenteringsoppgaver. Forskjellig fra eksisterende nettverk for segmentering, har vårt foreslåtte nettverk den andre grenen for klassifisering for å forutsi sannsynligheten for å inneholde kamuflert objekt (er) i et bilde, som deretter smeltes sammen i hovedgrenen for segmentering for å øke segmenteringsnøyaktigheten. Omfattende eksperimenter utført på det nybygde datasettet viser effektiviteten til nettverket vårt ved hjelp av ulike fullt innviklede nettverk.