May, 2023

Segment Anything 是一个弱监督语义分割的良好伪标签生成器

PDF
TL;DR本研究旨在探讨通过利用弱标签作为暗示来生成准确的分割掩码，并将其作为趋近于真实标签的伪标签来训练分割网络中的潜力。在 PASCAL VOC 2012 数据集上的实验证明了 segment-anything 可以作为良好的伪标签生成器。
weakly supervisedsemantic segmentationweak labelssegment-anythingpseudo labels
发现论文，激发创造
  • 标记任何物体：使用视觉提示的多类别少样本语义分割

    通过引入多样的视觉提示，Label Anything 是一种为少样本语义分割设计的创新神经网络架构，可跨多类别实现显着的泛化能力，从而提高了框架的适应性和灵活性。

    Jul, 2024

  • 基于 SAM 模型的弱监督语义分割增强伪标签

    使用 Segment Anything Model（SAM）结合 Class Activation Maps（CAM）生成更高质量的伪标签，用伪标签为特定类提供信号，选择相关的 mask 并用它们进行标注以产生一个更精确的伪标签，综合我们的方法提高了五种最先进的弱监督语义分割方法的平均伪标签交并比（mIoU）6.2％。

    May, 2023

  • 弱监督语义分割问题的分段任意模型（SAM）的实证研究：WSSS 的替代方案？

    本文介绍将 SAM 应用于弱监督语义分割，作为伪标签生成流程的方法，在 PASCAL VOC 和 MS-COCO 数据集上取得了显著的改进。

    May, 2023

  • Segment Anything Model 是学习局部特征的好教师

    SAMFeat 通过引入 SAM（segment anything model）作为教师模型，利用像素级对齐关系和语义信息，改进本地特征描述和检测的性能，展现了在不同任务中的优越性能。

    Sep, 2023

  • 为提升医疗图像分割中匮乏标签的自动产生真实与合成数据的弱标签

    通过使用 Segment Anything Model (SAM) 和其医学替代品 MedSAM，我们提供了一种克服昂贵的医学图像标记障碍的新方法，可以为任何未标记的医学图像生成弱标签，并随后用于增强标签稀缺数据集的流程。

    Apr, 2024

  • 基于激光增材制造的可提示缺陷分割的无监督方法

    利用基于 Vision Transformer (ViT) 的基础模型和无监督聚类生成方案，构建了一个图像分割框架，将其应用于实时孔隙分割，并在没有监督微调的情况下获得较高的骰子相似系数 (DSC)，从而实现了轻量级模型推理和无监督提示生成，旨在革新当前基于激光的增材制造流程，促进无缺陷生产和运营效率，并实现工业 4.0 的转型。

    Dec, 2023

  • PA-SAM：高质量图像分割的指示适配器 SAM

    通过引入一种新型的提示驱动适配器（PA-SAM）到 Segment Anything Model (SAM) 中，提高了原始 SAM 的分割掩模质量，通过在稀疏和密集提示级别上优化面罩解码器功能，从图像中提取详细信息，实验结果表明 PA-SAM 在高质量、零样本和开放集分割方面优于其他基于 SAM 的方法。

    Jan, 2024

  • （几乎）什么都不分割：分割模型的通用提示对抗攻击

    生成通用分割模型可以从各种提示（包括视觉和文本提示）中生成语义分割掩码，作者提出了一种生成与提示无关的对抗性攻击方法，通过在潜空间中最大化原始图像和扰动图像的编码之间的 L2 距离来扰乱各种提示下分割掩码。该攻击能在几乎无法察觉到的篡改下改变最新的分割模型对于点、框和文本提示的掩码预测，并探索了创建通用攻击的可能性，即能够直接应用于任何输入而无需进一步的计算成本。

    Nov, 2023

  • 通过 Segment Anything 模型增强少样本语义分割

    通过提出 FSS-SAM 方法，利用语义分割和预测结果选择算法，提高少样本学习中的语义分割任务的准确性。

    Jan, 2024

  • 分割和标注任何东西

    提出了一种方法，能够高效地为 Segment Anything Model (SAM) 添加生成区域描述的功能，并且通过引入轻量级的基于查询的特征混合器使区域特征与语言模型的嵌入空间对齐，以便进行后续的描述生成。该方法具有小的可训练参数数量，计算量少、内存使用少和通信带宽少的特点，因此训练速度快且可扩展。通过先在目标检测和分割任务上进行弱监督预训练以解决区域描述数据稀缺问题。该方法的优越性得到了广泛的实验证明，并对每个设计选择进行了验证。本研究在扩展区域描述数据和探索为 SAM 增加区域语义方面具有重要意义。

    Dec, 2023