Fugu-MT 論文翻訳(概要): When SAM Meets Shadow Detection

論文の概要: When SAM Meets Shadow Detection

arxiv url: http://arxiv.org/abs/2305.11513v1
Date: Fri, 19 May 2023 08:26:08 GMT
ステータス: 処理完了
システム内更新日: 2023-05-22 15:24:29.811157
Title: When SAM Meets Shadow Detection
Title（参考訳）: SAMがシャドー検出に出会ったとき
Authors: Leiping Jie, Hui Zhang
Abstract要約: 我々は、探索されていない一般的なタスク、すなわちシャドウ検出に基づいて、任意のモデル(SAM)をセグメント化しようとします。実験の結果,特に精巧なモデルと比較した場合,SAMを用いた影検出の性能は良好ではないことがわかった。
参考スコア（独自算出の注目度）: 2.9324443830722973
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As a promptable generic object segmentation model, segment anything model (SAM) has recently attracted significant attention, and also demonstrates its powerful performance. Nevertheless, it still meets its Waterloo when encountering several tasks, e.g., medical image segmentation, camouflaged object detection, etc. In this report, we try SAM on an unexplored popular task: shadow detection. Specifically, four benchmarks were chosen and evaluated with widely used metrics. The experimental results show that the performance for shadow detection using SAM is not satisfactory, especially when comparing with the elaborate models. Code is available at https://github.com/LeipingJie/SAMSh.
Abstract（参考訳）: プロンプト可能な汎用オブジェクトセグメンテーションモデルとして、S segment Any Model (SAM) が最近注目され、その強力なパフォーマンスを示している。それでも、医用画像のセグメンテーション、カモフラージュされた物体検出など、いくつかのタスクに遭遇すると、まだウォータールーを満たしている。本報告では、探索されていない一般的なタスクであるシャドー検出についてSAMを試す。具体的には、4つのベンチマークが選択され、広く使用されているメトリクスで評価された。実験結果から,特に精巧なモデルと比較した場合,SAMを用いた影検出の性能は良好ではないことがわかった。コードはhttps://github.com/LeipingJie/SAMSh.comで入手できる。

関連論文リスト

SAM2-UNet: Segment Anything 2 Makes Strong Encoder for Natural and Medical Image Segmentation [51.90445260276897]
我々は,Segment Anything Model 2 (SAM2) がU字型セグメンテーションモデルの強力なエンコーダであることを証明した。本稿では, SAM2-UNet と呼ばれる, 汎用画像分割のための簡易かつ効果的なフレームワークを提案する。
論文参考訳（メタデータ） (2024-08-16T17:55:38Z)
Multi-Scale and Detail-Enhanced Segment Anything Model for Salient Object Detection [58.241593208031816]
Segment Anything Model (SAM) は、強力なセグメンテーションと一般化機能を提供する視覚的基本モデルとして提案されている。実物検出のためのMDSAM(Multi-scale and Detail-enhanced SAM)を提案する。実験により,複数のSODデータセット上でのモデルの優れた性能が示された。
論文参考訳（メタデータ） (2024-08-08T09:09:37Z)
Crowd-SAM: SAM as a Smart Annotator for Object Detection in Crowded Scenes [18.244508068200236]
Crowd-SAMは、混み合ったシーンでSAMのパフォーマンスを高めるために設計されたフレームワークである。混み合ったシーンにおけるマスク選択と精度を高めるために,効率的なプロンプトサンプリング (EPS) とPWD-Net (Part-whole discrimination network) を導入する。 Crowd-SAMは、CrowdHumanやCityPersonsなどいくつかのベンチマークにおいて、最先端のSOTA(State-of-the-art)と競合する。
論文参考訳（メタデータ） (2024-07-16T08:00:01Z)
MAS-SAM: Segment Any Marine Animal with Aggregated Features [55.91291540810978]
そこで本研究では,海洋生物のセグメンテーションのためのMAS-SAMという新しい特徴学習フレームワークを提案する。本手法により,グローバルな文脈的手がかりからよりリッチな海洋情報を抽出し,よりきめ細かな局部的詳細を抽出できる。
論文参考訳（メタデータ） (2024-04-24T07:38:14Z)
Moving Object Segmentation: All You Need Is SAM (and Flow) [82.78026782967959]
SAMのセグメンテーション能力と移動物体の発見・グループ化能力を利用する光フローとSAMを組み合わせた2つのモデルについて検討する。第1のモデルでは、RGBではなく光の流れを入力としてSAMに適応させ、第2のモデルではRGBを入力として、フローをセグメント化プロンプトとして使用する。これらの驚くほど単純な方法は、追加の修正なしに、シングルオブジェクトとマルチオブジェクトのベンチマークにおいて、以前のアプローチをかなり上回っている。
論文参考訳（メタデータ） (2024-04-18T17:59:53Z)
AdapterShadow: Adapting Segment Anything Model for Shadow Detection [6.201928340999525]
Segment Any Model (SAM)は、ユニバーサルオブジェクトのセグメンテーションにおいて、その壮大なパフォーマンスを示している。しかし、医用画像の影画像や病変など特定のターゲットを特定できない。影検出にSAMモデルを適用するAdapterShadowを提案する。
論文参考訳（メタデータ） (2023-11-15T11:51:10Z)
Detect Any Shadow: Segment Anything for Video Shadow Detection [105.19693622157462]
影を検出するためのセグメンテーションモデル(SAM)を微調整するフレームワークであるShadowSAMを提案する。長時間の注意機構と組み合わせることで、効率的な映像陰影検出が可能となる。提案手法は,従来のビデオシャドウ検出手法と比較して高速な推論速度を示す。
論文参考訳（メタデータ） (2023-05-26T07:39:10Z)
SAMRS: Scaling-up Remote Sensing Segmentation Dataset with Segment Anything Model [85.85899655118087]
我々はSAMRSと呼ばれる大規模RSセグメンテーションデータセットを生成するための効率的なパイプラインを開発する。 SAMRSは完全に105,090の画像と1,668,241のインスタンスを持ち、既存の高解像度RSセグメンテーションデータセットを数桁上回っている。
論文参考訳（メタデータ） (2023-05-03T10:58:07Z)
Segment anything, from space? [8.126645790463266]
SAM(Segment Anything Model)は、安価な入力プロンプトに基づいて、入力画像中のオブジェクトをセグメント化することができる。 SAMは通常、目標タスクで訓練された視覚モデルに似た、あるいは時として超えた認識精度を達成した。 SAMの性能が画像のオーバーヘッド問題にまで及んでいるかどうかを考察し、その開発に対するコミュニティの反応を導くのに役立てる。
論文参考訳（メタデータ） (2023-04-25T17:14:36Z)
SAM Fails to Segment Anything? -- SAM-Adapter: Adapting SAM in Underperformed Scenes: Camouflage, Shadow, Medical Image Segmentation, and More [13.047310918166762]
ドメイン固有の情報や視覚的プロンプトを,単純で効果的なアダプタを用いてセグメント化ネットワークに組み込んだtextbfSAM-Adapterを提案する。タスク固有のネットワークモデルよりも優れていて、テストしたタスクで最先端のパフォーマンスを実現できます。
論文参考訳（メタデータ） (2023-04-18T17:38:54Z)
Can SAM Segment Anything? When SAM Meets Camouflaged Object Detection [8.476593072868056]
SAMはMeta AI Researchが最近リリースしたセグメンテーションモデルである。我々は,SAMがカモフラージュオブジェクト検出(COD)タスクに対処できるかどうかを問うとともに,SAMの性能をCODベンチマークで評価する。また,SAMの性能を22の最先端COD法と比較した。
論文参考訳（メタデータ） (2023-04-10T17:05:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。