Jan, 2024

基于目标检测器和经适应的 SAR 图像分割模型的组成式油污检测

PDF
TL;DR利用语义分割方法进行 SAR 图像中的油污检测，提出了一个包括目标检测器、自适应分割器（SAM）和有序融合模块的 SAM-OIL 组合油污检测框架，证明了 SAM-OIL 可以超越现有的基于语义分割的油污检测方法，实现了 69.52% 的 mIoU，并提高了 SAM-OIL 的准确性。
发现论文，激发创造
  • 自适应低秩适应性分区对显著目标检测的改进

    基于深度学习中内在的低秩结构，我们提出了一种创新的方法，通过自适应微调 Segment Anything Model (SAM) 来实现显著目标检测，通过在五个具有挑战性的 RGB 基准数据集上进行全面的定性和定量评估，证明了我们方法的卓越性能，超越了最先进的方法。

    Aug, 2023

  • 医学影像中的全面多模态分割：结合 YOLOv8 和 SAM 与 HQ-SAM 模型

    利用 YOLOv8 模型和 SAM 模型，本文提出了一种综合方法，用于在多样性医学成像数据集中分割感兴趣区域 (ROI)，包括超声、CT 扫描和 X 射线图像。结果表明，SAM 模型在医学图像分割方面的准确性和整体性能上表现更好，而 HQ-SAM 模型的额外计算成本可能无法证明其优势。而 YOLOv8+SAM 模型显示出提高医学图像分割和其临床影响的潜力。

    Oct, 2023

  • 基于分段全景模型（SAM）的光学遥感图像与地图数据之间的变化检测

    本研究探讨了无监督多模态变化检测在时效性任务和综合多时序地球监测中的重要性，并介绍了利用光学高分辨率图像和 OpenStreetMap（OSM）数据进行无监督多模态变化检测的方法。我们通过使用视觉基础模型 Segmentation Anything Model（SAM）来解决这一任务，利用 SAM 的优秀的零样本迁移能力获得高质量的光学图像分割图，从而能够直接比较这两种异构数据形态。我们引入了两种策略来指导 SAM 的分割过程：'no-prompt' 方法和 'box/mask prompt' 方法。这两种策略分别用于检测一般情况下的土地覆盖变化和在已有背景下识别新的土地覆盖对象。在三个数据集上的实验结果表明，所提出的方法与代表性的无监督多模态变化检测方法相比能够取得更具竞争力的结果。

    Jan, 2024

  • 利用深度编码器 — 解码器模型进行油污分割

    本研究测试了使用深度编码器 - 解码器模型检测油污泄漏的可行性，并比较了几种不同模型的实验结果，其中最佳模型是使用 ResNet-50 编码器和 DeepLabV3 + 解码器，相比当前基准模型，该模型在 “油污泄漏” 类上的平均 IoU 为 64.868％，类 IoU 为 61.549％。

    May, 2023

  • SAM-LAD：Segment Anything Model meets Zero-Shot Logic Anomaly Detection

    为了检测任何场景中的逻辑异常，本文提出了 SAM-LAD 框架，它是一个零 - shot、即插即用的框架。通过使用预训练的主干网来获取查询图像的特征图，并通过最近邻搜索检索引用图像及其对应的特征图，然后引入 Segment Anything 模型来获得查询图像和引用图像的对象掩模。使用对象匹配模型和动态通道图注意模块进行对象匹配，最后提出了一种用于检测带有逻辑异常的对象的异常测量模型。实验结果表明，SAM-LAD 在检测逻辑异常方面表现优于现有的先进方法。

    Jun, 2024

  • 利用分离的目标性和分割模型增强的未知敏感探测器

    提出了一种名为 Decoupled Objectness Learning (DOL) 的学习策略，它将物体边界和分类边界的学习分别分成合适的解码器层，同时利用大规模视觉模型（LVM），特别是 “Segment Anything Model”（SAM），以提高未知物体的检测。实验证明，本文提出的 Unknown Sensitive Detector (USD) 在未知召回方面表现优异，并在 Pascal VOC 和 MS COCO 等流行基准上实现了显着的改进。

    Jun, 2023

  • 提升分段通用模型以实现开放词汇学习

    本研究旨在无缝地将 Segment Anything Model (SAM) 与开放词汇目标检测器集成在一起，引入了 SideFormer 模块和开放区域建议网络 (Open-set RPN) 等创新方法，以提升 SAM 在检测任意对象和开放词汇识别方面的性能。Sambor 在 COCO 和 LVIS 等基准测试中展现出卓越的零样本性能，并与之前的最先进方法竞争力十足，旨在为 SAM 赋予识别多样化对象类别和促进视觉基础模型的开放词汇学习提供有意义的努力。

    Dec, 2023

  • 改善即时任何帧的部分：医学图像分割的辅助在线学习和自适应融合

    我们引入了一种新的方法，利用在线机器学习的优势，在测试时间内改进了 Segment Anything 模型的分割质量。通过使用修正后的注释来进行在线学习，提出了 Auxiliary Online Learning 方法，通过创建和应用一个小型辅助模型和自适应的在线批次和分割融合方法，提高了在线学习与像 SAM 这样的大规模视觉模型集成的效率和效果，实验证明了该方法的有效性。

    Jun, 2024

  • 基于大视觉模型的自引导远感图像少样本语义分割

    本研究介绍了一种用于自动化少样本语义分割的结构化框架，利用 Segment Anything Model（SAM）模型，并借助先前引导的掩模生成粗略像素级提示，以获得更高效的语义可辨别分割结果，实验证明该方法在 DLRSD 数据集上优于其他可用的少样本方法。

    Nov, 2023

  • Segment Any Object Model (SAOM): 多类多实例分割的实际到模拟微调策略

    多类多实例分割是识别图像中多个对象类别和同一类别的多个实例的任务，提出了一种新颖的领域不变的通过真实 - 模拟 (Pseudo-Real) 微调策略来改善多类多实例分割模型的性能，尤其在室内场景理解方面表现出良好的泛化性能。

    Mar, 2024