当 SAM 遇见阴影探测
我们提出了 AdapterShadow,这是一种用于阴影检测的适应 SAM 模型的方法。我们在 SAM 的冻结图像编码器中插入可训练的适配器,以适应阴影图像,并引入一种新颖的网格采样方法以生成密集的点提示,从而在没有任何手动干预的情况下自动分割阴影。通过在四个广泛使用的基准数据集上进行广泛的实验,我们展示了我们提出方法的卓越性能。
Nov, 2023
本文介绍了一种创新的方法 SAM-helps-Shadow,将分割模型 SAM 用于影子去除,利用零样本学习提高模型在实际场景中的适用性,使用二阶深度展开网络实现影子去除,提高了阴影检测的准确性和效率。
Jun, 2023
本研究使用少量的用户协助,利用阴影数据和稀疏提示对 Segment anything model 进行微调,再结合长短期注意机制扩展其能力,使其可以用于视频阴影检测,与现有技术相比,实验结果表明,该方法在 MAE 和 IoU 方面分别提高 17.2% 和 3.3%,验证了我们提出方法的有效性。
May, 2023
通过使用简单而有效的适配器将特定领域信息或视觉提示集成到分割网络中,我们的实验表明,SAM-Adapter 可以显着提高 SAM 在具有挑战性的任务中的性能,并且在我们测试的任务中甚至可以胜过专门的网络模型,并达到最先进的性能:伪装目标检测和阴影检测。
Apr, 2023
本文研究了最近发布的 Meta AI Research 的分割模型 SAM 在伪装目标检测任务上的性能,对比了其他 22 种伪装目标检测方法的表现,并提出了构建更强大的 SAM 解决伪装目标检测任务的进一步研究机会。
Apr, 2023
Meta AI Research 发布了基于超过 10 亿掩模的大型分割数据集训练的 SAM 模型,尽管 SAM 在诸多领域具备强大的能力,但我们的经验评估表明该模型存在在透明物体场景中无法检测的问题。特别是在含有各种形式的玻璃的安全关键情况下,部署 SAM 可能存在风险。
Apr, 2023
研究了针对视觉任务开发的第一个基础模型,称为 Segment Anything Model(SAM)。SAM 可以基于便宜的输入提示,如一个或多个点、边界框或掩码,在输入的图像中分割对象。作者在大量的视觉基准任务中研究了 SAM 的零样本图像分割准确性,并发现 SAM 通常实现了与目标任务上进行了训练的视觉模型类似或有时超过其识别精度。他们检查了 SAM 在多样化、广泛研究的基准任务集上的表现。然而,作者还研究了 SAM 在航空图像问题中的表现,他们发现虽然 SAM 在航空图像上通常表现良好,但在某些情况下由于航空图像和目标对象的独特特征而失败。
Apr, 2023
基于 Segment Anything Model(SAM)的语义分割模型在机器人手术领域的鲁棒性、零样本泛化性能等方面进行了实证研究,发现 SAM 在使用边界框提示时表现出卓越的零样本泛化能力,但在点提示和未提示设置下,对仪器的整体分割困难重重,且在复杂手术场景中无法识别仪器且容易受到各种数据破坏形式的影响。提出的 Low-rank Adaptation(LoRA)调整方法结合 SAM,形成 SurgicalSAM 在不使用提示的情况下可以对各个类别的仪器进行遮罩预测,从而说明 SAM 在手术任务中仍需要进一步的专业领域微调。
Aug, 2023
该文讨论使用提示依靠快速学习和收集大规模数据进行目标检测的 Segment anything model (SAM) 是否能够在威胁场景下提供可靠性,发现 SAM 对于多种污染具有显着的鲁棒性,但在受到 PGD 和 BIM 攻击时容易受到影响,因此提出了一系列新任务以提高 SAM 的鲁棒性。
May, 2023