Mar, 2024

为综合分析葡萄藤簇构架与浆果特性而切分一切

PDF
TL;DR该研究利用 Segment Anything Model (SAM) 对葡萄簇图像进行对象分割，生成了超过 150,000 个葡萄浆果掩码，并且通过人工测定和 SAM 预测之间的很强相关性（Pearson R2=0.96），演示了 SAM 在 2D 簇图像中识别个体浆果的高准确性。同时，强调了簇图像拍摄角度对浆果计数和架构的重要影响，提出了利用浆果位置信息计算与簇架构和紧密度相关的复杂特征的不同方法。最后，讨论了在葡萄园条件下将 SAM 整合到目前可用的图像生成和处理流程中的潜力。
发现论文，激发创造
  • 使用卷积神经网络进行语义分割计数葡萄串图像中的浆果

    文章介绍了一种基于自动图像分析的客观框架，使用卷积神经网络检测图像中的浆果并进行计数，可以在葡萄园不同种植系统中检测到绿色浆果，VSP 的检测准确率为 94.0％，SMPH 为 85.6％。

    Apr, 2020

  • 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

  • 基于基础模型的生物医学图像分割：综述

    最近许多生物医学影像分析领域的进展主要受到 Segment Anything Model (SAM) 的推动。这项先进的技术最初是为了通用计算机视觉而开发的，但在医学图像处理领域得到了迅速应用。我们的综述聚焦于 2023 年 4 月 1 日至 9 月 30 日这段重要的首次出版后六个月的时期，我们研究了 SAM 在解决长期临床挑战方面所需的改进和整合，特别关注了我们分析的 33 个开放数据集。尽管 SAM 在许多应用中达到了或超越了最先进的性能水平，但在一些方面仍存在不足，例如对颈动脉、肾上腺、视神经和下颌骨的分割。我们的调查深入研究了 SAM 的创新技术和其在各种医学影像场景中有效转化和应用的核心概念。

    Jan, 2024

  • 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

  • 利用 “分段任意模型” 评估 GRAD-CAM 在医学成像中的定位

    本文探讨如何利用 Segment Anything Model (SAM) 技术进一步提高医学图像的显著性图测试准确性，同时可以泛化到不需要人类注释的测试方法，并研究 SAM 在医学领域中的应用和挑战，这包括图像预处理，自然语言建议以及 SAM 在多个医学成像数据集上的准确性。

    Jun, 2023

  • 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

  • 使用 Segment Anything 模型扩大遥感分割数据集的规模

    本研究提出 SAMRS，通过整合 SAM 和现有的遥感物体检测数据集以生成大规模遥感分割数据集，该数据集在大小上超过了现有的高分辨率遥感分割数据集。SAMRS 可用于语义分割、实例分割和目标检测等研究领域。同时，我们对 SAMRS 进行了全面的分析并希望它能促进遥感分割、特别是大规模模型预训练等方面的研究。

    May, 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

  • 医学图像分割模型？

    SAM 是用于图像分割的第一个通用基础模型，能以自动或手动提示的方式进行零 - shot 图像分割，并在不同的自然图像分割任务中取得了令人瞩目的成绩。但在医学图像分割方面仍然存在一定挑战，SAM 在某些情况下表现出色，但需要结合手动标注才能取得更好的表现。

    Apr, 2023

  • 能否识别作物？通过卫星图像生成精准农业的作物类型地图时，量化语义分割基础模型的零样本性能

    全球气候变化对农业产生越来越大的影响，因此为了解决粮食生产中日益增长的挑战，最前沿的管理策略，如精确农业，为农民和决策者提供丰富而实用的信息，以提高农业实践的效率和可持续性。本文研究了 Meta AI 公司的 Segment Anything Model (SAM) 在作物地图预测任务中的能力，并提出使用聚类一致性指标评估 SAM 在分割卫星图像和生成作物类型地图中的零样本性能。尽管在零样本设置下直接进行作物类型映射具有挑战性，但实验显示 SAM 在迅速准确地勾勒卫星图像中的农田方面具有潜力，为后续作物分类奠定了基础。本文试图突出说明像 SAM 这样的最新图像分割模型在作物类型映射和相关农业行业的特定需求方面的应用案例，为精密农业实践提供了实现自动化、高效和具有成本效益的数据产品的潜在途径。

    Nov, 2023