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

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

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

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

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

利用计算机视觉技术识别城市村庄边界，发现城市村庄数量和面积随时间减少，为可持续城市发展趋势提供深入洞察，并为视觉基础模型提供指导。

Jan, 2024

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

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

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

本文对 Segment Anything Model 在医学图像中的效果进行了评估，结果表明性能受任务和数据集影响较大，需要进一步研究来适应医学图像领域。

Apr, 2023