Jun, 2024

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

PDF
TL;DR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。
visual anomaly detectionlogical anomaly detectionsam-lad frameworkobject matching modelstructural anomalies
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

  • MedLSAM：用于 3D 医学图像定位和分割的模型

    本文提出了一种名为 MedLSAM 的模型，在不增加标注工作量的情况下实现了常数标注工作量，同时简化了注释过程。

    Jun, 2023

  • 基于 SAM 引导的轻量级双流模型用于异常检测

    我们提出了一种以 Segment Anything（SAM）为导向的双流轻量级模型，用于无监督异常检测（STLM），在工业异常检测中取得了与最先进方法相媲美的性能，并在更困难的数据集上进一步验证了它的有效性和通用性。

    Feb, 2024

  • SAM3D：基于 Segment Anything 模型的零样本三维物体检测

    本研究旨在将基础模型的能力发挥在 3D 视觉任务中，在通过 SAM 提出的 BEV 流程管道构建的基础上，通过提高零样例能力实现 3D 物体检测，将其应用于 Waymo 开放数据集，展示其可行性。

    Jun, 2023

  • SAD：RGBD 分割

    该研究通过提出 Segment Any RGBD（SAD）模型来解决 Segment Anything Model（SAM）对几何信息关注不足的问题，该模型将 SAM 与深度图像渲染相结合，同时包括了开放词汇的语义分割，实现了 3D 万象分割。

    May, 2023

  • 工业异常检测中的少样本零件分割揭示组合逻辑

    本研究介绍了一种用于逻辑异常检测的新型组件分割模型，利用少量的标记样本和共享逻辑约束的未标记图像。通过采用直方图匹配损失和熵损失来确保未标记图像上的一致分割，提出了增强局部和全局样本有效性检测的方法，并通过三个记忆库 (类别直方图、组件构成嵌入和块级别表示) 捕捉视觉语义的关键方面。为了有效检测逻辑异常，提出了一种自适应缩放策略，以规范不同记忆库中的异常得分。在公共基准 MVTec LOCO AD 上进行的大量实验证明相较于竞争方法的 89.6%，我们的方法在逻辑异常检测中获得了 98.1% 的 AUROC。

    Dec, 2023

  • Segment Anything Model 是学习局部特征的好教师

    SAMFeat 通过引入 SAM（segment anything model）作为教师模型，利用像素级对齐关系和语义信息，改进本地特征描述和检测的性能，展现了在不同任务中的优越性能。

    Sep, 2023

  • Leaf Only SAM: 一种用于零样本自动叶片分割的段落化任何东西流水线

    Segment Anything Model 是一种新的模型，可以用于零样本目标分割，可以使用边界框、多边形或点等提示进行模型训练，也可以使用后处理步骤，在植物表型学领域具有广泛的应用。在与 Mask R-CNN 模型的比较中，Leaf Only SAM 方法的召回率为 63.2，精确度为 60.3；相比之下，Mask R-CNN 的召回率为 78.7，精确度为 74.7。这表明使用后处理步骤的 SAM 模型可能具有零样本分类器的潜力，而无需训练新的数据集。

    May, 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

  • 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