CVPR 2024 | 分割一切模型SAM泛化能力差?域适应策略给解决了
作者:NorthPath
时间:2025-05-14
浏览:2
第一个针对「SegmentAnything」大模型的域适应策略来了!相关论文已被CVPR2024接收。引言大语言模型(LLMs)的成功激发了计算机视觉领域探索分割基础模型的兴趣。这些基础分割模型通常通过PromptEngineer来进行zero/few图像分割。其中,SegmentAnythingModel(SAM)是最先进的图像分割基础模型。图SAM在多个下游任务上表现不佳但是最近的研究表明,SAM在多种下游任务中并非具有很强的鲁棒性与泛化性,例如在医学图像、伪装物体、添加干扰的自然图像等领域表现较差。
本文目录
第一个针对「Segment Anything」大模型的域适应策略来了!相关论文已被CVPR 2024 接收。

首先,传统的无监督域自适应范式需要源数据集和目标数据集,由于隐私和计算成本较为不可行。 其次,对于域适应,更新所有权重通常性能更好,同时也受到了昂贵的内存成本的限制。 最后,SAM 可以针对不同种类、不同颗粒度的提示 Prompt,展现出多样化的分割能力,因此当缺乏下游任务的提示信息时,无监督适应将非常具有挑战性。


论文地址:https://arxiv.org/pdf/2312.03502.pdf 项目地址:https://github.com/Zhang-Haojie/WeSAM 论文标题:Improving the Generalization of Segmentation Foundation Model under Distribution Shift via Weakly Supervised Adaptation
Segment Anything 模型 基于自训练的自适应框架 弱监督如何帮助实现有效的自训练 低秩权重更新




。
是温度系数。













作者最新文章
漫蛙漫画APP下载安卓版免费
2026-10-13 13:42
漫蛙动漫下载安卓版安装包
2026-10-13 13:19
漫蛙manwa2免费漫画入口在哪
2026-10-13 13:17
漫蛙2漫画入口
2026-10-13 13:03
会声会影X5去除视频原有字幕的操作方法
2026-10-13 11:07
热门文章
更多
精品专题
更多
Mac软件
更多
WINDOWS
更多










































