Apr, 2024
SAM-I-Am：用于零样本原子尺度电子显微图分割的语义强化
SAM-I-Am: Semantic Boosting for Zero-shot Atomic-Scale Electron Micrograph Segmentation
Waqwoya Abebe, Jan Strube, Luanzheng Guo, Nathan R. Tallent, Oceane Bel...
TL;DR给定零样本分割技术基础模型，我们提出了 “语义增强” 的概念，通过指导分割过程并调整结果以适应特定领域的期望，实现了最佳分割技术的快速适应。我们将语义增强应用于 Segment Anything Model（SAM）以获取透射电子显微镜的微观结构分割，通过提取各种中间掩模的几何和纹理特征进行掩模去除和掩模合并操作，结果在三个难度类别的图像上相对于原始的 SAM（ViT-L）分别获得了平均 IoU 增加 21.35%、12.6%、5.27% 和平均假阳性掩模降低 9.91%、18.42%、4.06%。