論文の概要: Zero-Shot Digital Rock Image Segmentation with a Fine-Tuned Segment Anything Model

• arxiv url: http://arxiv.org/abs/2311.10865v1
• Date: Fri, 17 Nov 2023 20:56:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 13:43:47.537220
• Title: Zero-Shot Digital Rock Image Segmentation with a Fine-Tuned Segment Anything Model
• Title（参考訳）: 微調整セグメンテーションモデルによるゼロショットデジタルロック画像分割
• Authors: Zhaoyang Ma, Xupeng He, Shuyu Sun, Bicheng Yan, Hyung Kwak, Jun Gao
• Abstract要約: Segment Anything Model (SAM)は、ゼロショット機能を備えたインタラクティブで自動化されたセグメンテーションを提供する。 SAMは、トレーニングセットの欠如とグレースケール画像の低コントラスト性のために、ロックCT/SEM画像に苦慮している。 本研究は,岩盤CT/SEM画像セグメンテーションのための微細構造SAM,パラメータの最適化,大規模画像の処理による精度の向上を目的としている。
• 参考スコア（独自算出の注目度）: 5.089732183029123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate image segmentation is crucial in reservoir modelling and material characterization, enhancing oil and gas extraction efficiency through detailed reservoir models. This precision offers insights into rock properties, advancing digital rock physics understanding. However, creating pixel-level annotations for complex CT and SEM rock images is challenging due to their size and low contrast, lengthening analysis time. This has spurred interest in advanced semi-supervised and unsupervised segmentation techniques in digital rock image analysis, promising more efficient, accurate, and less labour-intensive methods. Meta AI's Segment Anything Model (SAM) revolutionized image segmentation in 2023, offering interactive and automated segmentation with zero-shot capabilities, essential for digital rock physics with limited training data and complex image features. Despite its advanced features, SAM struggles with rock CT/SEM images due to their absence in its training set and the low-contrast nature of grayscale images. Our research fine-tunes SAM for rock CT/SEM image segmentation, optimizing parameters and handling large-scale images to improve accuracy. Experiments on rock CT and SEM images show that fine-tuning significantly enhances SAM's performance, enabling high-quality mask generation in digital rock image analysis. Our results demonstrate the feasibility and effectiveness of the fine-tuned SAM model (RockSAM) for rock images, offering segmentation without extensive training or complex labelling.
• Abstract（参考訳）: 正確な画像セグメンテーションは貯水池のモデリングおよび材料特性評価において重要であり, 詳細な貯水池モデルによる石油・ガス抽出効率の向上に寄与する。 この精度は、岩石の性質に関する洞察を与え、デジタルロック物理学の理解を深める。 しかし,複雑なCT画像やSEM画像に対してピクセルレベルのアノテーションを作成することは,そのサイズやコントラストが低く,解析時間が長くなるため困難である。 これは、デジタルロック画像解析における高度な半監督的・教師なしセグメンテーション技術への関心を喚起し、より効率的で正確で労働集約的な手法を約束している。 Meta AIのSegment Anything Model(SAM)は2023年にイメージセグメンテーションに革命をもたらし、ゼロショット機能を備えたインタラクティブで自動化されたセグメンテーションを提供する。 その高度な特徴にもかかわらず、SAMはトレーニングセットの欠如とグレースケール画像の低コントラスト性のために、ロックCT/SEM画像に苦慮している。 本研究では,岩盤ct/sem画像の分割,パラメータの最適化,大規模画像の処理,精度向上のためにsamを微調整する。 岩盤CTおよびSEM画像の実験により,微調整によりSAMの性能が著しく向上し,デジタル岩盤画像解析における高品質マスク生成が可能となった。 岩盤画像に対する細調整SAMモデル(RockSAM)の有効性と有効性を示し,広範なトレーニングや複雑なラベル付けを伴わないセグメンテーションを行った。

関連論文リスト

• UnSeg: One Universal Unlearnable Example Generator is Enough against All Image Segmentation [64.01742988773745]
  未承認のプライベートデータ上での大規模なイメージセグメンテーションモデルのトレーニングに関して、プライバシーに関する懸念が高まっている。 我々は、学習不可能な例の概念を利用して、学習不可能なノイズを原画像に生成し、付加することにより、モデルトレーニングに使用不能な画像を作成する。 6つのメインストリームイメージセグメンテーションタスク、10つの広く使われているデータセット、7つの異なるネットワークアーキテクチャでUnSegの有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2024-10-13T16:34:46Z)
• Deep learning for fast segmentation and critical dimension metrology & characterization enabling AR/VR design and fabrication [0.0]
  我々は,電子顕微鏡画像の多種多様なデータセットを用いて,事前訓練されたセグメンテーションモデル(SAM)の微調整について報告する。 低ランク適応(LoRA)のような手法を用いて、トレーニング時間を短縮し、ROI抽出の精度を高める。 モデルが見えない画像に一般化する能力はゼロショット学習を促進し、CD抽出モデルをサポートする。
  論文  参考訳（メタデータ） (2024-09-20T23:54:58Z)
• RobustSAM: Segment Anything Robustly on Degraded Images [19.767828436963317]
  Segment Anything Model (SAM) は画像セグメンテーションにおける変換的アプローチとして登場した。 低画質画像におけるSAMの性能を向上させるRobust Segment Anything Model (RobustSAM)を提案する。 提案手法は, SAMに基づくダウンストリームタスクにおいて, 単一画像のデハージングやデブロアリングなどの性能を効果的に向上することを目的としている。
  論文  参考訳（メタデータ） (2024-06-13T23:33:59Z)
• FocSAM: Delving Deeply into Focused Objects in Segmenting Anything [58.042354516491024]
  Segment Anything Model (SAM)はセグメンテーションモデルにおいて注目すべきマイルストーンである。 2つの重要な側面に基づいてパイプラインを再設計したFocSAMを提案する。 まず,Dwin-MSA(Dynamic Window Multi-head Self-Attention)を提案する。 次に,Pixel-wise Dynamic ReLU (P-DyReLU)を提案する。
  論文  参考訳（メタデータ） (2024-05-29T02:34:13Z)
• Efficient Visual State Space Model for Image Deblurring [83.57239834238035]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、画像復元において優れた性能を発揮している。 本稿では,画像のデブロアに対する簡易かつ効果的な視覚状態空間モデル(EVSSM)を提案する。
  論文  参考訳（メタデータ） (2024-05-23T09:13:36Z)
• 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)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• EfficientSAM: Leveraged Masked Image Pretraining for Efficient Segment Anything [36.553867358541154]
  Segment Anything Model (SAM)は多くの視覚アプリケーションのための強力なツールとして登場した。 本稿では,軽量なSAMモデルであるEfficientSAMを提案する。 我々のアイデアは、SAM画像エンコーダから特徴を再構築し、効果的な視覚的表現学習を実現するためのマスク付き画像事前学習(SAMI)を活用することに基づいている。
  論文  参考訳（メタデータ） (2023-12-01T18:31:00Z)
• MA-SAM: Modality-agnostic SAM Adaptation for 3D Medical Image Segmentation [58.53672866662472]
  我々はMA-SAMと命名されたモダリティに依存しないSAM適応フレームワークを提案する。 本手法は,重量増加のごく一部だけを更新するためのパラメータ効率の高い微調整戦略に根ざしている。 画像エンコーダのトランスバータブロックに一連の3Dアダプタを注入することにより,事前学習した2Dバックボーンが入力データから3次元情報を抽出することができる。
  論文  参考訳（メタデータ） (2023-09-16T02:41:53Z)
• Enhancing Bloodstain Analysis Through AI-Based Segmentation: Leveraging Segment Anything Model for Crime Scene Investigation [1.7869154038039061]
  本稿では,血痕画像のセグメンテーションに対するSAM(Pre-trained and fine-tuned Segment Anything Model)の適用について検討する。 実験結果から, 予め訓練したSAMと微調整したSAMの両方が, 良好な精度と効率で血痕画像分割作業を行うことが明らかとなった。 本研究は、SAMの血液染色画像セグメンテーションへの応用の可能性を示し、犯罪学研究における人工知能応用の有効性を示す。
  論文  参考訳（メタデータ） (2023-08-27T01:11:03Z)
• Segment Anything Model (SAM) for Digital Pathology: Assess Zero-shot Segmentation on Whole Slide Imaging [12.533476185972527]
  画像セグメンテーションの基礎モデルとしてセグメンテーションモデル(SAM)がリリースされた。 スライド画像全体(WSI)における代表セグメンテーションタスクにおけるSAMモデルのゼロショットセグメンテーション性能を評価する。 その結果,0ショットSAMモデルは大きな連結オブジェクトに対して顕著なセグメンテーション性能を実現することが示唆された。
  論文  参考訳（メタデータ） (2023-04-09T04:06:59Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。