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
- 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) - 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 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) - High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。
提案手法は画像分割精細化において高速かつ効果的である。
論文 参考訳(メタデータ) (2021-11-29T11:53:06Z) - MOGAN: Morphologic-structure-aware Generative Learning from a Single
Image [59.59698650663925]
近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。
多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。
合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
論文 参考訳(メタデータ) (2021-03-04T12:45:23Z) - MudrockNet: Semantic Segmentation of Mudrock SEM Images through Deep
Learning [0.0]
本稿では,GoogleのDeepLab-v3+アーキテクチャに基づく深層学習SEMセグメンテーションモデルMudrockNetを提案する。
訓練された深層学習モデルは、約90%の画素精度を取得し、試験データの予測値は、銀粒の0.6591と毛穴の0.6642の平均交点(IoU)を得た。
論文 参考訳(メタデータ) (2021-02-05T19:38:44Z) - Physical Accuracy of Deep Neural Networks for 2D and 3D Multi-Mineral
Segmentation of Rock micro-CT Images [0.0]
4つのCNNアーキテクチャのパフォーマンスは、10の構成で2Dおよび3Dケースでテストされる。
新しいネットワークアーキテクチャはU-netとResNetのハイブリッド統合として導入され、Net-in-Network構成の短いスキップ接続と長いスキップ接続を組み合わせたものである。
3D実装は、他のテストされたモデル全てをボクセルワイズと物理的精度で上回っている。
論文 参考訳(メタデータ) (2020-02-13T03:14:17Z)
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。