gecamoufleerde objecten proberen hun textuur in de achtergrond te verbergen en ze te onderscheiden van de achtergrond is moeilijk, zelfs voor mensen. Het belangrijkste doel van dit artikel is om het gecamoufleerde objectsegmentatieprobleem te onderzoeken, namelijk het segmenteren van het gecamoufleerde object(en) voor een gegeven beeld. Dit probleem is niet goed bestudeerd, ondanks een breed scala aan mogelijke toepassingen, waaronder het behoud van wilde dieren en de ontdekking van nieuwe soorten, bewakingssystemen, opsporings-en reddingsmissies in geval van natuurrampen zoals aardbevingen, overstromingen of orkanen. Dit artikel behandelt een nieuw uitdagend probleem van gecamoufleerde objectsegmentatie. Om dit probleem aan te pakken, bieden we een nieuwe dataset van gecamoufleerde objecten voor benchmarkingdoeleinden. Daarnaast stellen we een algemeen end-to-end netwerk voor, het Anabranch-netwerk genaamd, dat zowel classificatietaken als segmentatietaken gebruikt. Anders dan bestaande netwerken voor segmentatie, Bezit ons voorgestelde netwerk de tweede tak voor classificatie om de waarschijnlijkheid van het bevatten van gecamoufleerde object(s) in een afbeelding te voorspellen, die dan in de belangrijkste tak voor segmentatie wordt gefuseerd om de segmentatienauwkeurigheid op te voeren. Uitgebreide experimenten uitgevoerd op de nieuw gebouwde dataset tonen de effectiviteit van ons netwerk met behulp van verschillende volledig convolutionele netwerken.