Aug, 2023

SAM-PARSER：通过参数空间重构高效地微调 SAM

PDF
TL;DR通过参数空间重建的方法（SAM-PARSER），在几乎不引入可训练参数的情况下，高效地对 Segment Anything Model（SAM）进行下游细分任务的微调，以得到针对新情景的参数空间，实验证明 SAM-PARSER 在各种情景下都表现出卓越的细分性能，并将可训练参数数量相对于当前参数高效微调方法减少了约 290 倍。
segment anything modelsamfine-tuningobject segmentationparameter space reconstruction
发现论文，激发创造
  • AdaptiveSAM：用于手术场景分割的 SAM 调优方法

    手术场景分析中使用人工智能的分割是一个基本问题。然而，这个领域内固有的数据稀缺性使得为该任务调整传统分割技术变得具有挑战性。因此，我们提出了一种名为 AdaptiveSAM 的改进模型，可以快速有效地适应新的数据集，并可以使用文本提示进行分割，其在各种医学图像数据集上优于当前最先进的方法。

    Aug, 2023

  • ClassWise-SAM-Adapter：参数高效的微调方法，将任何分割任务适应于 SAR 领域的语义分割

    通过使用视觉转换器模型（ViT）和大量训练数据 SA-1B 构建的段落任意模型（SAM），可以在各种分割场景中实现优秀的语义信息和泛化能力，从而为计算机视觉中的特定下游任务提供了高性能，其中包括用于合成孔径雷达（SAR）图像的土地覆盖分类的 CWSAM 模型。CWSAM 通过轻量级的适配器进行参数高效微调，采用类别掩码解码器实现语义分割任务，在充分实验证明了 CWSAM 相比于传统的语义分割算法不仅在性能上有所提升，而且在计算资源消耗方面也更为优越，突显了 SAM 等基础模型在 SAR 领域特定下游任务中的潜力。

    Jan, 2024

  • 当 SAM 遇到声呐图像

    本文旨在对 SAM 在声纳成像上的表现进行全面研究，并通过启发式方法的微调和语义分割，扩展其自动分割任务的适用性。结果表明，经过微调的 SAM 的性能有了显著提高。

    Jun, 2023

  • 通过微调 SAM 在少量示例上进行医学影像分割的低成本午餐

    本文介绍了一种利用有限数量的样本来对 Segment Anything Model (SAM) 进行微调的高效实用方法，以适用于医学领域，经实证研究表明 SAM 在医学领域即使只有少量标记数据也能有效对齐，通过在脑肿瘤分割（BraTS）和多器官 CT 分割（Synapse）实验中的综合结果，验证了这种方法的可行性和有效性，为 SAM 在医学领域的实际应用铺平了道路。

    Aug, 2023

  • 串联、微调、再训练：一种用于半监督三维医学图像分割的 SAM 支持框架

    通过使用 Segment Anything Model（SAM）进行重新调整，我们提出了一个三阶段的框架（CFR）用于建立半监督的医学图像分割模型，并且在改善标注成本和保持性能方面取得了显著的改进。

    Mar, 2024

  • 参数高效微调的有效性

    本文介绍了 Fine-tuning pre-trained models 方法的缺点，提出了采用参数稀疏性进行参数调优的方法，并且通过理论分析表明，这种参数稀疏性会在一定程度上控制稳定性上限，提高泛化能力；同时还提出了一种新的 SAM 方法用于选择可调参数，并通过实验证实了理论分析的正确性。

    Nov, 2022

  • 通过分层解码释放 SAM 在医疗适应上的潜力

    介绍了一种适用于医学图像的无提示适应性分割模型 H-SAM，并通过两阶段层次解码程序实现有效的细化调整，以提高其在医学图像分割中的性能。

    Mar, 2024

  • SAM 整合互补网络的梯度微调方法

    本文提出了一种在医学图像分割中，利用卷积神经网络与已有的广义模型进行 fine-tuning 的方法，以优化模型的利用效果，并在开放数据集上取得了有竞争力的成果。

    Jun, 2023

  • SAM-Adapter：在伪装、阴影等场景下适应 SAM 的分割模型

    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

  • 0.1% 数据高效切割

    SlimSAM 是一种新型的 SAM 压缩方法，通过高效地重用预训练的 SAM，采用统一的修剪 - 蒸馏框架，创新的交替瘦身策略以及新颖的无标签修剪准则，以显著降低训练成本并在性能上取得重大改进。

    Dec, 2023