Dec, 2023

基于激光增材制造的可提示缺陷分割的无监督方法

PDF
TL;DR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。
foundation modelscomputer visionimage segmentationreal-timeanomaly detection
发现论文，激发创造
  • 用于超声应用的零样本基本模型的语义分割精化器

    通过使用粗糙语义分割掩模作为输入以及零 - shot 可提示的基础模型作为优化目标，我们提出了一种不需要提示的分割方法来解决低数据环境下分割模型的性能下降问题，并在肌肉骨骼超声图像数据集上进行了实验证明我们方法的优势，在不同程度的低数据环境下，随着训练集大小的减小，取得了更大的性能提升。

    Apr, 2024

  • 通过图像提示构建训练无关的开放世界分割基础模型

    通过使用图像概念传达的视觉概念，本研究首次探索了使用基础模型进行开放世界理解的方法，提出了一种名为图像提示分割（IPSeg）的新方法，该方法利用了图像提示技术，通过提取强大的特征，并通过新颖的特征交互模块将输入图像的表示与提示图像的表示进行匹配，以生成突出显示输入图像中目标对象的点提示，并进一步利用生成的点提示来指导 Segment Anything Model 对输入图像中的目标对象进行分割，从而消除了繁琐的训练过程，提供更高效和可扩展的解决方案。

    Oct, 2023

  • 利用大规模预训练视觉基础模型进行高效标签的 3D 点云分割

    通过采用大规模预训练模型、计算机视觉和 2D 任务，本研究提出了一种新的框架来解决 3D 点云分割任务，通过将 2D 语义分割预测投影到 3D 空间，并引入语义标签融合策略，实现了在扩展的数据集上的 3D 场景理解。

    Nov, 2023

  • 面向任务驱动的基于模型的提示演进

    利用下游分割任务优化人工提供的提示，提出了针对 Segment Anything Model（SAM）等基础模型的即插即用的 Prompt 优化技术（SAMPOT），在胸部 X 射线图像的肺分割中取得了显著的改进，并希望此工作能在自动视觉提示调整的新兴领域引起进一步研究。

    Oct, 2023

  • 增强医学图像分割的基础模型多提示微调技术

    我们引入了一种新颖的微调框架，通过批处理基于真实掩蔽的边界框引入批量提示策略，以提高 Segment Anything Model 在医学图像上的性能表现和广泛的分割任务中解决医学图像中常见的复杂性和模糊性。

    Oct, 2023

  • 红队测试分段一切模型

    通过对城市道路仪表盘图像应用恶劣天气条件和雨滴，测试了细分任何模型在多个挑战性任务中的影响，通过诸多测试方法和分析表明需要加强图像细分基础模型的安全措施。

    Apr, 2024

  • MRI 中使用 Segment Anything 基础模型可实现有利的脑肿瘤自动分割准确性，用于辅助放疗计划

    本文介绍了一种新的 MRI 图像中肿瘤分割算法 ——Segment Anything，该算法通过对 Glioma 脑肿瘤的满足点任务进行了评估，并成功实现高精度的肿瘤自动分割，不仅如此，该算法能够加速和便利放射治疗规划。

    Apr, 2023

  • PointSeg：基于基础模型的三维场景分割的非训练范式

    PointSeg 是一种新的无需训练的范例，借助现有的视觉基础模型来解决 3D 场景感知任务，并展示了令人印象深刻的分割性能。

    Mar, 2024

  • 自训练的大型视觉模型用于少样本医学图像分割

    通过对 SAM 的嵌入空间进行自我提示，我们提出了一种在医学视觉应用中自我提示的新视角，通过一个简单而有效的线性像素分类器，保留了大模型的编码能力、其解码器的上下文信息，并利用其互动性，我们在多个数据集上取得了竞争性的结果（与使用少量图像微调掩模解码器相比，改进超过 15%）

    Aug, 2023

  • 基于视觉基础模型的遥感实例分割提示学习

    本文提出了一种基于 SAM 模型和 Prompt 学习的自动遥感图像实例分割方法（RSPrompter），并将其与其他常用的方法进行比较，结果证明该方法有效。

    Jun, 2023