基于提示的免训练物体计数

Jun, 2023

Training-free Object Counting with Prompts

Zenglin Shi, Ying Sun, Mengmi Zhang

TL;DR本文提出了一种基于分割思想的无需训练数据的物体计数方法，该方法避免了传统依赖昂贵标注数据的物体计数问题，所提出的先验引导掩码产生方法为计数精度提供了帮助，同时还可以应用于任意形状物体的计数.

Abstract

This paper tackles the problem of object counting in images. Existing approaches rely on extensive training data with point annotations for each object, making data collection labor-intensive and time-consuming. To overcome this, we propose a →

object counting training-free prior-guided mask generation segment anything model free-form text counting

发现论文，激发创造

训练无关的类别不可知计数的简单而有效的基线

不需要训练的前提下，本研究提出了一种直接的解决方案，通过利用预先存在的基础模型进行实例级分割，通过四项关键技术的结合，实现了性能的显著提升，与基于训练的方法相媲美。

Mar, 2024

一种统一的基于提示的计数的定点方法

该研究论文介绍了一种基于提示的计数框架，能够生成关注对象的密度图，并采用固定点推理和对比训练来提高计数准确性。

Mar, 2024

AFreeCA：无需标注的全能计数

利用文本到图像的潜在扩散模型 (LDMs)，本研究介绍了一种无监督的排序方法，通过借助生成的计数数据，对任意类型的对象进行可靠计数，该方法优于其他无监督和少样本方法，不受特定对象类别计数数据的限制。

Mar, 2024

SAM 计数可以数任何东西吗？基于经验的研究

本研究探索了 Meta AI 发布的 Segment Anything 模型（SAM）在几个具有挑战性的任务中的应用，并发现对于小型和拥挤的对象而言，其在少样本目标计数方面表现不足，需要进一步微调。

Apr, 2023

点、线段和计数：一种用于对象计数的普遍框架

基于检测的 PseCo 框架将 SAM 和 CLIP 结合起来，实现了对少样本和零样本的准确目标计数，通过点定位、分割和计数等步骤解决了效率和小物体区分等难题。

Nov, 2023

集中计数自由

本文提出了一种基于点标注的目标计数方法，以构建更好的密度图作为监督信号，同时将点标注视为更多用途的监督信号，从而提高了计数的准确性。

Mar, 2019

SAM-PD: 通过提示去噪，在跟踪和分割视频中，SAM 能带我们走多远

本文探讨了将 Segment Anything Model（SAM）应用于视频对象跟踪和分割任务的潜力，通过使用多种 prompt 和引入基于点的优化阶段，实现了在三个数据集上对比性能相当的视频对象 / 实例分割任务，该方法为基于 SAM 的后续应用赋予了跟踪能力。

Mar, 2024

个性化一次性分段模型

本文提出了一种称为 PerSAM 的、无需训练的个性化方法，该方法首先通过位置先验定位目标概念，然后通过三种技术 - 目标引导注意力、目标语义提示和级联后处理在其他图像或视频中对其进行分割，有效地适应 SAM 的私人使用。此外，我们还提出了一种高效的单次微调变体，PerSAM-F，以缓解掩模的歧义。我们构建了一个新的分割数据集 PerSeg，并在具有竞争性的性能的视频对象分割上测试了我们的方法。

May, 2023

无需训练的鲁棒交互式视频目标分割

我们提出了一种无需训练的提示跟踪框架，将稀疏点和框跟踪相结合，采用交叉循环时空模块从多次交互中自适应地聚合引用信息，实现了在流行的 VOS 数据集上稳定的零样本视频分割结果，保持了性能和交互时间之间的良好权衡。

Jun, 2024

医学图像上的 SAM：三种提示模式的全面研究

本文针对 Segment Anything Model（SAM）在医学图像分割领域的 zero-shot 泛化能力进行了研究，并发现模型对于不同数据集和提示的表现会有差异，通过提供适当的提示，如边界框，SAM 的性能显著提高。

Apr, 2023