Jan, 2024

评估人工智能基础模型在永久冻土映射中的泛化能力

PDF
TL;DR评估新兴的计算机视觉基础模型及其在自然景观要素分割中的性能，通过测试 Meta 的 Segment Anything Model (SAM) 在零样本性能、领域适应性和理论上限预测准确性等方面来评估其大型 AI 视觉模型的性能，并指出了改进的空间，以在具有挑战性的地理空间领域中支持 AI 辅助的地形制图。
ai foundation modelscomputer visionnatural landscape feature segmentationgeospatial artificial intelligencemeta's segment anything model (sam)
发现论文，激发创造
  • 视觉及其它领域分割模型综述

    该研究综述了近年来提出的一种称为 SAM 的基础模型，对其的应用于图像处理的各种任务和数据类型进行了分析和总结，并指出了其优点和局限性，为开发更多功能的基础模型和改善 SAM 架构提供了启示。

    May, 2023

  • 关于区分任何模型（SAM）的调查：视觉基础模型遇见促进工程

    该文通过第一次全面调查介绍了受到重大关注的 Meta AI Research 开发的 Segment anything model（SAM）的性能表现和多种应用情况，并呼吁读者对该模型进行新的研究以促进其进一步发展。

    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

  • 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

  • 在放射学数据上测试 segment anything 模型

    深度学习模型在大量数据训练下已成为最近有效的预测问题解决方法，研究了基于自然图像训练的基础模型在磁共振成像数据上的分割任务性能，结果表明这些模型虽然在少数情况下可接受，但根据整体趋势，它们在整个体积的磁共振成像分割上不够有效，而在少数特定切片上表现良好，这提示基于自然图像训练的基础模型可能在其他成像模态上效果不佳。

    Dec, 2023

  • 使用 SAM 进行建筑物分割模型的零样本精细调整

    我们提出了一种新颖的方法来针对现有模型的泛化性能下降问题，将基础模型自适应于特定领域，如遥感图像。我们通过集成预训练的卷积神经网络作为提示生成器，为 Segment Anything Model 增加了识别能力，从而改善了其在遥感图像上的表现。通过在三个遥感数据集上评估我们的方法，包括 WHU Buildings 数据集、Massachusetts Buildings 数据集和 AICrowd Mapping Challenge 数据集，我们观察到我们的方法在不同分布的性能上取得了显著提高，并计划发布我们的代码库，以促进遥感领域对基础模型进行更多领域特定任务的探索。

    Oct, 2023

  • 探究无需训练标签的端到端农田边界映射模型对小农户边界的应用

    利用 2 米分辨率的 SkySat 卫星图像，本研究探讨了使用 Segment Anything Model（SAM）在印度比哈尔邦无需额外训练的情况下勾勒农田边界。结果表明，SAM 正确识别了约 58% 的田地边界，与需要大量训练数据的其他方法相当。本研究建立了 SAM 的概念验证，并发现在农业田界勾画中，通过使用多日期的卫星图像可显著提高准确性，突出 SAM 在数据稀缺环境中勾勒农田边界的潜力。

    Jul, 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

  • 零样本眼部特征分割的 Segment Anything Model (SAM)

    Segment Anything Model (SAM) 是第一个用于图像分割的基础模型，本研究评估了 SAM 在虚拟现实环境下记录的眼部图像中分割特征的能力。结果表明，SAM 的分割效果可以与专门模型相媲美，且使用提示工具可以提高其性能，示例数据集中瞳孔分割的 IoU 达到 93.34%。SAM 等基础模型有望通过快速且易用的图像分割方法，革新注视估计领域，减少对专门模型和繁琐手动标注的依赖。

    Nov, 2023

  • 基础模型对医学图像分割是否有效？

    基于监督训练方法和无标签自我监督学习方法，在 100 个心脏超声图像的 25 个测量上，对 Segment Anything 模型（SAM）进行了性能和资源比较，结果发现 SAM 的性能较差，需要更多的标注和计算资源，显示出比无标签自我监督学习方法更低的效率。

    Nov, 2023