Image Segmentation is a crucial task in Computer Vision, with wide-ranging applications in industry. The Segment Anything Model (SAM) has recently attracted intensive attention; however, its application in
Segment Anything Model (SAM)通过使用不同的输入提示(如文本、边界框、点或掩膜)生成掩膜,克服了特定数据集稀缺性的约束,评估了SAM在X射线/红外模态中分割感兴趣对象的能力,结果表明SAM在给定盒子提示时可以分割X射线模态中的对象,但对于点提示而言,表现不稳定,特别是在分割细长物体和有机材料方面,SAM的性能较差,这表明在考虑在X射线/红外图像上使用SAM时需要特别考虑跨模态泛化的问题。
本文针对Segment Anything Model 2(SAM2)在类别无关实例级分割任务中的表现进行了评估,填补了现有研究中的评测空白。通过采用不同的提示策略,研究揭示了SAM2在显著实例分割、伪装实例分割和阴影实例检测等场景中的性能差异以及对高分辨率结构分割的局限性。结果显示,SAM2的表现具有场景依赖性,提出利用SAM2适配器以提升大规模视觉模型在该领域的性能上限的建议。