Nov, 2023

缺陷检测中的任意分割

PDF
TL;DR本研究提出了一种针对高噪声热红外图像的缺陷分割新方法 DefectSAM，通过采用广泛采用的模型 Segment Anything（SAM）和精心策划的数据集，有效地提高了缺陷检测率，尤其在复杂和不规则表面上对弱缺陷和小缺陷的检测表现出色，减少了遗漏检测的发生，并提供了更准确的缺陷尺寸估计。实验研究验证了我们解决方案在各种材料上缺陷检测的有效性，具有加速缺陷检测工具演进、提高检测能力和精度的重要潜力。
defect detectioninfrared non-destructive testingthermal imagessegmentation algorithmsdefect size estimations
发现论文，激发创造
  • 使用大规模数据集 SATIR 进行知识蒸馏学习热红外图像中的任意目标分割

    该研究提出一种基于 Segment Anything Model（SAM）的预训练框架，利用 SAM 对热成像图像进行伪标签生成，从而提高特定类别的分割结果精度，为处理特殊领域的问题提供了一种有效的解决方案，并生成了一个包含 100,000 多个像素注释标签的大规模热红外分割数据集。

    Apr, 2023

  • 通过特定知识注入实现预训练大型视觉模型对织物缺陷分割的有效迁移

    本文提出了一种创新的方法，将织物缺陷相关领域特定知识融入到 SAM 模型中，通过引入和培训独特的一组织织缺陷相关参数，这种方法将领域特定知​​识无缝集成到 SAM 中，而无需对预先存在的模型参数进行广泛的修改。与现有分割模型相比，我们的模型在三个数据集上的基准测试中表现出更好的性能，并在跨数据集比较和少量样本学习实验中展示了其在纺织品质量控制中的潜力。

    Jun, 2023

  • 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

  • 遥感应用中的分段任意物模型 (SAM)：从零到一次拍摄

    本研究旨在将 Meta AI 的创新图像分割模型 Segment Anything Model（SAM）应用于遥感图像分析领域，特别是处理来自不同地理背景的航空和轨道影像，实现 SAM 在遥感影像处理中的潜力。

    Jun, 2023

  • 从空间中分割任何物体？

    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

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

    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。

    May, 2023

  • 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

  • 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

  • 当 SAM 遇上医学图像：对多时相肝肿瘤分割中的 Segment Anything Model（SAM）进行研究

    SAM 在医学图像分析中应用的能力较弱，但在交互式医学图像分割领域是一个有力的注释工具。

    Apr, 2023