sam | BriefGPT - AI 论文速递

关键词sam

搜索结果 - 74

关于尖锐度感知极小化和对抗性训练之间的对偶性
通过对比 Adversarial Training (AT) 和 Sharpness-Aware Minimization (SAM) 的对偶关系，本研究发现单独使用 SAM 可以提高对抗性稳健性，同时不牺牲准确性，这为将 SAM 作为准确
PDF4 months ago
SSR：SAM 是用于领域适应语义分割的强正则化方法
本文介绍了 SSR，它利用 SAM（任意分割）作为强正则化器，在训练过程中大大增强了处理各个领域的图像编码器的健壮性。
PDF5 months ago
关于组织学图像中核实例分割的区段任何模型的普适性
通过在大规模多样化数据集上进行预训练，SAM 模型是计算机视觉领域针对目标分割任务的第一个可提示的基础模型。本文评估了 SAM 在零样本学习和微调下的核实例分割性能，将其与其他代表性方法在核实例分割中尤其是模型泛化能力的背景下进行比较，并提
PDF5 months ago
ClipSAM：CLIP 与 SAM 的零样本异常分割合作
CLIP 和 SAM 协作的 ClipSAM 框架可用于零样本异常分割任务，通过结合 CLIP 的语义理解和 SAM 的细分结果优化，获得最佳的分割性能。
PDF5 months ago
被忽略的 Hessian 成分解释了在锐度正则化中的谜团
最近的研究表明，诸如 SAM 之类的方法能够明确或隐含地对二阶信息进行惩罚，从而提高深度学习的泛化能力。然而，权重噪声和梯度惩罚等看似类似的方法通常无法提供这样的好处。本文通过损失函数的海塞矩阵结构展示了这些差异可以得到解释。首先，我们展示
PDF5 months ago
医学图像分割的分割全模型：现阶段的应用与未来发展方向
通过综述快速模型（SAM）在医学图像分割领域的应用，本文总结了对 SAM 在医学图像分割任务中的有效性进行扩展的最近努力，并探讨了未来 SAM 在医学图像分割中的研究方向。尽管直接应用 SAM 到多模态和多目标医学数据集的图像分割上表现不够
PDF6 months ago
提示策略对短轴心脏磁共振图像分割中的 Segment Anything Model (SAM) 的影响
在本研究中，我们使用 Segment Anything Model (SAM) 的基础模型来探索不同提示策略（包括包围框、正样本点、负样本点及其组合）对心脏磁共振成像（cMRI）短轴视图分割任务的影响。我们发现提示策略显著影响分割性能，正样
PDF7 months ago
通过弱监督适应提高分割基础模型在分布变化下的泛化能力
基于自训练的策略，通过锚点规范化和低秩微调，提升了图像分割基础模型的适应性和计算效率，并在多个下游分割任务中表现出优于预训练模型 SAM 和最先进的领域自适应方法的性能。
PDF7 months ago
基于基础模型辅助的弱监督语义分割
这项研究旨在利用预训练的基础模型，如对比语言图像预训练（CLIP）和分段任意模型（SAM），利用图像级别标签解决弱监督语义分割（WSSS）。为此，我们提出了基于 CLIP 和 SAM 的粗到精细的框架，用于生成高质量的分割种子。我们通过冻结
PDF7 months ago
基于 SAM 的弱监督细胞分割中的引导提示
利用弱监督方法，在细胞分割的任务中使用 Segment Anything 模型（SAM），通过对象检测器的输出作为测试时的提示信息（D-SAM），以及 SAM 作为伪掩膜生成器在训练数据上训练一个独立的分割模型（SAM-S），并通过整数规划
PDF7 months ago
通过交叉块编排进行参数高效微调，用于分割任何模型
我们在这篇论文中提出了一种参数高效微调的方法，使用跨块协同和内部块增强机制实现了 Segment Anything Model (SAM) 在各种新情景下的适应性，并通过实验证明了我们的方法在仅使用约 1K 额外参数的情况下显著提高了分割性
PDF7 months ago
I-MedSAM：分割一切隐式医学图像
本论文提出了一种结合连续表示和 SAM 的方法 I-MedSAM，用于医学图像分割，通过使用隐式神经表示训练一个隐式分割解码器，以获得更好的跨领域能力和准确的边界描绘。
PDF7 months ago
稳定分段设定模型
通过学习可变形偏移对图像特征进行采样来提高 Segment Anything Model (SAM) 在各种情况下的分割稳定性，并验证了该方法的有效性和优势，从而使其成为更加稳健的分割解决方案。
PDF7 months ago
SA-Med2D-20M 数据集：用 2000 万个掩模对 2D 医学影像进行分割
通过在 Segment Anything Model（SAM）中引入医学知识，我们介绍了 SA-Med2D-20M，这是一个基于众多公共和私有数据集构建的大规模分割数据集，包含了 460 万个 2D 医学图像和 1970 万个相应的蒙版，并
PDF7 months ago
强化形态学引导的 CAM-Guided SAM 用于乳腺病灶弱监督分割
通过成像学和形态学的相结合，我们提出了一种新的方法，在早期乳腺超声图像中进行弱监督病变分割，其性能超过了依赖像素级注释的监督学习方法。
PDF8 months ago
GlanceSeg: 基于凝视地图引导的基础模型的实时微动脉病变分割用于糖尿病视网膜病变早期检测
提出了基于 SAM 的 GlanceSeg 人在回合的无标签早期糖尿病视网膜病变诊断框架，该框架通过实时分割显微血管瘤病灶和眼科医生的视线图进行糖尿病视网膜病变的诊断，实验证明了 GlanceSeg 的可行性和优越性。
PDF8 months ago
脑肿瘤分割的分割模型
评估了 Segment Anything Model (SAM) 在脑肿瘤分割上的性能，发现 SAM 与目前的最先进模型之间仍存在差距。
PDF10 months ago
3D 边界框与 SAM 相遇：弱噪声监督下的点云实例分割
通过使用预先训练的 2D 基础模型 SAM 和 3D 几何先验，本文提出了一个互补的图像提示引导的弱监督点云实例分割（CIP-WPIS）方法，用于从边界框注释中准确地获取点云实例标签。通过在 3D 候选点的全可见图像视图中选择，我们生成互补
PDF10 months ago
自采样元 SAM：用元学习增强少样本医学图像分割
通过自抽样元 SAM（SSM-SAM）框架，本研究提出了一种快速在线适应的医学图像分割方法，通过设计三个关键模块，包括在线快速梯度下降优化器、自抽样模块和针对医学少样本学习的强大的基于注意力的解码器，能够在医学图像分割的少样本任务中显著提高
PDF10 months ago
SAM-PARSER：通过参数空间重构高效地微调 SAM
通过参数空间重建的方法（SAM-PARSER），在几乎不引入可训练参数的情况下，高效地对 Segment Anything Model（SAM）进行下游细分任务的微调，以得到针对新情景的参数空间，实验证明 SAM-PARSER 在各种情景下
PDF10 months ago