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:5
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
UC浏览器网盘下载的文件存在哪里 找不到怎么办
2026-11-20 18:18
LiteLLM v1.108.10 怎样处理异步文件请求和 Vertex AI Claude 输出上限?
2026-11-18 00:18
Yandex官网入口及最新搜索平台访问方式
2026-11-12 15:20
Yandex搜索引擎官网入口及登录教程
2026-11-12 13:54
wps office设置在哪 选项入口位置
2026-11-04 15:26
热门文章
更多
精品专题
更多
Mac软件
更多
WINDOWS
更多

































