Die Studie untersucht die Generalisierungsfähigkeit des Segment-Anything-Modells (SAM) auf verschiedene Downstream-Segmentierungsaufgaben und schlägt eine Lösung vor, um SAM ohne Zugriff auf den Quelldatensatz und mit geringem Speicheraufwand an Downstream-Daten anzupassen.
Der vorgeschlagene Ansatz nutzt eine selbsttrainierende Adaption, die natürlich mit schwachen Supervisionen kompatibel ist und deren Wirksamkeit deutlich verbessert. Umfangreiche Evaluierungen auf 10 Datensätzen aus 5 Arten von Downstream-Aufgaben zeigen, dass der vorgeschlagene Adaptionsansatz die Generalisierungsfähigkeit von SAM unter verschiedenen Verteilungsverschiebungen erheblich verbessern kann.
Konkret werden folgende Schritte durchgeführt:
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Haojie Zhang... a las arxiv.org 04-11-2024
https://arxiv.org/pdf/2312.03502.pdfConsultas más profundas