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:
Vers une autre langue
à partir du contenu source
arxiv.org
Questions plus approfondies