segment anything model (sam) | BriefGPT

关键词segment anything model (sam)

搜索结果 - 22

将分割任何模型扩展到音频和时间维度进行音频 - 视觉分割
通过分析视频帧之间的上下文跨模态关系，研究将 Segment Anything Model (SAM) 的能力扩展到音频 - 视觉场景序列，提出了一个融合了空时双向音频 - 视觉注意力 (ST-BAVA) 模块的模型，实现了对音频 - 视觉
PDF24 days ago
开放词汇 SAM3D：理解任何三维场景
OV-SAM3D 是一个通用框架，用于不需要训练即可理解任何 3D 场景的开放词汇三维场景理解，通过使用 Segment Anything Model (SAM) 生成超点并通过 Recognize Anything Model (RAM)
PDFa month ago
CVPRASAM：通过对抗调整提升片段任意建模
本研究介绍了 ASAM，一种通过敌对调整增强 SAM 性能的新方法，利用稳定性扩散模型增加 SA-1B 数据集子集的敌对实例，展示更真实且与原始标注一致的分割结果，从而在不需要额外数据或架构修改的情况下，显著提高了各种分割任务的表现，为计算
PDF2 months ago
运动物体分割：只需 SAM（和 Flow）
通过将光流与 Segment Anything 模型 (SAM) 结合，本文研究了两种模型，一种使用光流作为输入，另一种使用 RGB 作为输入，这两种简单的方法在单个和多个物体分割基准测试中，凭借其出色的性能超过了所有先前的方法，同时还将这
PDF3 months ago
基于基础模型构建最佳的医学图像分割算法：使用 Segment Anything Model 的综合实证研究
对于自动分割医学图像的研究，本文总结了目前的微调策略，并在包括所有常见放射学模态的 17 个数据集上进行评估，研究发现微调 Segment Anything Model (SAM) 相较于以前的分割方法具有稍微更好的性能，使用参数效率高的学
PDF3 months ago
CVPR神奇的动物在哪里找到它们：使用双重 SAM 分割任何海洋动物
提出了一个名为 Dual-SAM 的新型特征学习框架，结合 Segment Anything Model (SAM) 的范例，通过多层次的耦合提示策略 (MCP) 和交叉连接预测范式 (C^3P) 来增强对海洋动物图像的特征学习和分割，提供
PDF3 months ago
CVPR通过分层解码释放 SAM 在医疗适应上的潜力
介绍了一种适用于医学图像的无提示适应性分割模型 H-SAM，并通过两阶段层次解码程序实现有效的细化调整，以提高其在医学图像分割中的性能。
PDF3 months ago
LocalStyleFool: 区域视频风格转移攻击使用分段模型
提出了 LocalStyleFool 这种基于局部风格转换的黑盒视频对抗攻击方法，通过对视频中的不同区域进行风格转换的扰动来提高每帧和每帧之间的真实性，并通过 Segment Anything Model (SAM) 的细致分割来提高高分辨
PDF4 months ago
区域感知分布对比：一种新的多任务部分监督学习方法
多任务密集预测的研究中，我们通过引入 Segment Anything Model (SAM) 和基于高斯分布的区域表示，解决了部分标注数据、局部对齐和跨任务关系等挑战，提高了在部分监督多任务密集预测场景中的性能。
PDF4 months ago
PosSAM: 全景开放词汇片段检测
提出了一种开放词汇的全景分割模型，通过端到端框架有机地结合了 Segment Anything Model (SAM) 和视觉 - 语言 CLIP 模型的优势。通过使用局部判别汇聚模块（LDP），克服了 SAM 的局限性，并引入了面向掩膜的
PDF4 months ago
通过提示学习为实例分割定制分割基础模型
通过 prompt 学习定制的实例分割算法，以更好地适应用户意图，并通过点匹配模块增强特征表达，从而实现更细致的分割，最终的实验结果证明了该方法的有效性。
PDF4 months ago
针对肿瘤病变语义分割的面罩增强分割模型
基于医学影像模态的肿瘤病变分割在癌症诊断和治疗规划中起着关键作用。本文提出了一种创新的基于掩模增强的肿瘤病变分割模型 M-SAM，其中引入了新颖的掩模增强适配器（MEA），以及迭代精化方案，旨在提高分割的准确性和在不同数据集上的泛化能力。
PDF4 months ago
基于基础模型的生物医学图像分割：综述
最近许多生物医学影像分析领域的进展主要受到 Segment Anything Model (SAM) 的推动。这项先进的技术最初是为了通用计算机视觉而开发的，但在医学图像处理领域得到了迅速应用。我们的综述聚焦于 2023 年 4 月 1 日
PDF6 months ago
开放词汇 SAM：交互式地分段和识别两万个类别
该论文介绍了将 CLIP 和 Segment Anything Model（SAM）集成到统一框架中的深入研究，提出了基于 SAM 的 Open-Vocabulary SAM 模型，实现了同时交互分割和识别的功能，并通过知识转移模块 SAM
PDF6 months ago
AAAISAM 中松弛图像特定提示要求：单个通用提示用于分割伪装物体
通过使用文本提示来生成视觉提示并自适应测试时，本文介绍了一种基于广义任务描述的通用型对象检测方法，名为 Generalizable SAM（GenSAM）。实验证明，GenSAM 在三个基准测试上优于点标注方法，并达到了与涂鸦标注方法相当的
PDF7 months ago
SAM-6D：分割全能模型满足零射 6D 物体姿态估计
通过实例分割和姿态估计两个步骤，SAM-6D 是一个新的框架，用于在杂乱的 RGB-D 图像中实现零样本 6D 物体姿态估计的任务，并在 BOP 基准的七个核心数据集上超越现有方法。
PDF7 months ago
EviPrompt：医学图像中基于证据的无需训练的提示生成方法
基于医学图像的相似性，引入了一种名为 EviPrompt 的新型无需训练的证据提示生成方法，用于克服在医学图像分割中，专业知识干预和自然图像与医学图像之间领域差异方面所存在的问题。该方法仅需要一个单一参考图像 - 注释对，使其成为减少了大量
PDF8 months ago
KDD通过基于人工智能分割技术提升血迹分析：利用 Segment Anything 模型进行犯罪现场调查
通过应用预训练的 Segment Anything Model (SAM) 和微调后的 SAM 在具有多样化图像背景的血斑图像分割任务中，实验结果表明，两者均能以令人满意的准确性和效率执行血斑图像分割任务，而微调后的 SAM 在准确性上提高
PDF10 months ago
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
PDFa year ago
SAM 的鲁棒性：在干扰和更多领域中拆分任何事物
本研究对 Segment anything model (SAM) 模型在各种噪声、图像修饰以及逆向攻击等情境中的鲁棒性进行了全面评估，并揭示了其在形状和样式方面的偏向性。
PDFa year ago