医学图像分割的黑盒自适应
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
通过黑盒 API,利用万能和可迁移的提示来提高图像生成器的安全性,并建立了一个自动提示工具和一个全面的提示攻击数据集,以探究各种黑盒模型的安全漏洞。
Feb, 2024
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
本文介绍了一种针对医学影像的零样本分割模型 Segment Anything (SAM),通过细调轻量级任务特定的 ViT 预测头来提高其在医学影像数据集上的性能。
Jun, 2023
我们提出了一种强大的微调技术,PP-SAM,通过有限的图像使 SAM 适应息肉分割任务,实验结果显示,在推理过程中使用 50 像素扰动的 1-shot、5-shot 和 10-shot PP-SAM 的 DICE 分数分别超过了最新的多项式分割方法 26%、7% 和 5%,推动了 PP-SAM 在其他具有有限样本的医学成像任务中的广泛适用性。
May, 2024
手术场景分析中使用人工智能的分割是一个基本问题。然而,这个领域内固有的数据稀缺性使得为该任务调整传统分割技术变得具有挑战性。因此,我们提出了一种名为 AdaptiveSAM 的改进模型,可以快速有效地适应新的数据集,并可以使用文本提示进行分割,其在各种医学图像数据集上优于当前最先进的方法。
Aug, 2023
本文提出了一种基于 prompts 的微调策略,将预训练的 transformer-based 分割模型适应于新的医疗中心数据,以实现医疗图像分割,不仅提升了在新医疗中心数据上的表现,同时也显著降低了细调预训练模型的计算和时间成本。
May, 2023
通过合作式黑盒调整,本研究介绍一种参数高效微调方法,用于对视觉语言模型进行特定任务或场景的适应。使用文本提示优化和输出特征调整来处理闭源模型的访问障碍,并在十一个下游基准测试中得到显著改进。
Dec, 2023