May, 2023

关于Segment Anything Model (SAM)鲁棒性的实证研究

HTML
PDF
TL;DR对Segment Anything Model模型进行了全面的鲁棒性研究，发现它在面对多种图像扰动时的性能普遍下降，在特定数据集上定制提示技巧和利用领域知识，可以提高模型的弹性和解决数据集特定的挑战，为实际应用提供更健壮和多功能的图像分割解决方案。
发现论文，激发创造
  • 探究 SAM 在不同实际应用中的问题：任何东西的分段并不总是完美的

    这篇研究论文讨论了Segment Anything Model在各个领域的表现及其未来发展前景，并提供了有助于未来研究活动的洞见，以完成通用分割任务。

    Apr, 2023

  • 医学图像分割模型?

    SAM是用于图像分割的第一个通用基础模型，能以自动或手动提示的方式进行零-shot图像分割，并在不同的自然图像分割任务中取得了令人瞩目的成绩。但在医学图像分割方面仍然存在一定挑战，SAM在某些情况下表现出色，但需要结合手动标注才能取得更好的表现。

    Apr, 2023

  • 视觉及其它领域分割模型综述

    该研究综述了近年来提出的一种称为SAM的基础模型，对其的应用于图像处理的各种任务和数据类型进行了分析和总结，并指出了其优点和局限性，为开发更多功能的基础模型和改善SAM架构提供了启示。

    May, 2023

  • 关于区分任何模型（SAM）的调查：视觉基础模型遇见促进工程

    该文通过第一次全面调查介绍了受到重大关注的Meta AI Research开发的Segment anything model（SAM）的性能表现和多种应用情况，并呼吁读者对该模型进行新的研究以促进其进一步发展。

    May, 2023

  • SAM的鲁棒性：在干扰和更多领域中拆分任何事物

    本研究对Segment anything model (SAM)模型在各种噪声、图像修饰以及逆向攻击等情境中的鲁棒性进行了全面评估，并揭示了其在形状和样式方面的偏向性。

    Jun, 2023

  • 稳定分段设定模型

    通过学习可变形偏移对图像特征进行采样来提高Segment Anything Model (SAM) 在各种情况下的分割稳定性，并验证了该方法的有效性和优势，从而使其成为更加稳健的分割解决方案。

    Nov, 2023

  • 非可见光谱影像应用的片段任意模型性能评估与变分提示

    Segment Anything Model (SAM)通过使用不同的输入提示（如文本、边界框、点或掩膜）生成掩膜，克服了特定数据集稀缺性的约束，评估了SAM在X射线/红外模态中分割感兴趣对象的能力，结果表明SAM在给定盒子提示时可以分割X射线模态中的对象，但对于点提示而言，表现不稳定，特别是在分割细长物体和有机材料方面，SAM的性能较差，这表明在考虑在X射线/红外图像上使用SAM时需要特别考虑跨模态泛化的问题。

    Apr, 2024

  • RobustSAM: 在退化图像上鲁棒地分割任何物体

    RobustSAM是一种改进的Segment Anything Model (SAM)方法，通过增强SAM在低质量图像上的性能，同时保持其可提示性和零样本泛化能力。其在各种分割任务和数据集上的广泛实验证实了其卓越性能，特别是在零样本条件下，在广泛的现实世界应用中具有巨大的潜力。

    Jun, 2024

  • 无监督模型在自动驾驶中的零-shot鲁棒性研究

    本研究解决了自动驾驶中语义分割任务面临的对抗样本风险，探索了无监督模型（SAM）的零-shot对抗鲁棒性。研究发现，尽管没有额外训练，SAM在黑箱和白箱对抗攻击下仍具备可接受的鲁棒性。这一发现表明，大型模型参数和海量训练数据带来了对抗鲁棒性的保障，并为发展可信的人工通用智能（AGI）提供了新视角。

    Aug, 2024

  • 高效的任意分割模型变体：综述

    本研究针对Segment Anything Model（SAM）在图像分割任务上的高计算和资源需求问题，提出了一种高效的变体综述，以解决在资源有限环境下的部署挑战。通过对各类加速策略的深入分析，本论文提供了对这些高效变体的统一评估，揭示了其效率与准确性的比较，为后续研究提供了重要参考。

    Oct, 2024