論文の概要: Adapting SAM for Volumetric X-Ray Data-sets of Arbitrary Sizes

• arxiv url: http://arxiv.org/abs/2403.12066v1
• Date: Fri, 9 Feb 2024 17:12:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 07:46:43.495255
• Title: Adapting SAM for Volumetric X-Ray Data-sets of Arbitrary Sizes
• Title（参考訳）: 任意サイズの体積X線データセットに対するSAMの適用
• Authors: Roland Gruber, Steffen Rüger, Thomas Wittenberg,
• Abstract要約: 非破壊検査(NDT)のためのX線CTデータにおけるボリューム・インスタンス・セグメンテーションのための新しい手法を提案する。 Segment Anything Model (SAM) と tile-based Flood Filling Networks (FFN) を組み合わせる。 本研究は、ボリュームNDTデータセットにおけるSAMの性能を評価し、課題の画像シナリオにおけるセグメントインスタンスの有効性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: We propose a new approach for volumetric instance segmentation in X-ray Computed Tomography (CT) data for Non-Destructive Testing (NDT) by combining the Segment Anything Model (SAM) with tile-based Flood Filling Networks (FFN). Our work evaluates the performance of SAM on volumetric NDT data-sets and demonstrates its effectiveness to segment instances in challenging imaging scenarios. Methods: We implemented and evaluated techniques to extend the image-based SAM algorithm fo the use with volumetric data-sets, enabling the segmentation of three-dimensional objects using FFN's spatially adaptability. The tile-based approach for SAM leverages FFN's capabilities to segment objects of any size. We also explore the use of dense prompts to guide SAM in combining segmented tiles for improved segmentation accuracy. Results: Our research indicates the potential of combining SAM with FFN for volumetric instance segmentation tasks, particularly in NDT scenarios and segmenting large entities and objects. Conclusion: While acknowledging remaining limitations, our study provides insights and establishes a foundation for advancements in instance segmentation in NDT scenarios.
• Abstract（参考訳）: 目的: 非破壊検査(NDT)のためのX線CT(CT)データにおいて,Segment Anything Model(SAM)とタイルベースのFlood Filling Networks(FFN)を組み合わせたボリュームインスタンスセグメンテーションを提案する。 本研究は、ボリュームNDTデータセットにおけるSAMの性能を評価し、課題の画像シナリオにおけるセグメントインスタンスの有効性を実証する。 方法: 画像ベースSAMアルゴリズムをボリュームデータセットを用いて拡張し, FFNの空間適応性を用いて3次元オブジェクトの分割を可能にする手法を実装, 評価した。 SAMのタイルベースのアプローチは、FFNの機能を利用して任意のサイズのオブジェクトを分割する。 また,セグメンテーション精度を向上させるために,セグメンテーションタイルの組み合わせにおいてSAMを誘導する高密度プロンプトの利用についても検討した。 結果:本研究は,特にNDTシナリオや大規模エンティティやオブジェクトのセグメンテーションにおいて,SAMとFFNを組み合わせたボリュームインスタンスセグメンテーションタスクの可能性を示している。 結論: 残った制限を認める一方で,本研究は,NDTシナリオにおけるインスタンスセグメンテーションの進展の基盤となる知見を提供し,その基盤を確立する。

関連論文リスト

• Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
  Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2024-09-23T19:05:50Z)
• 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)
• 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)
• I-MedSAM: Implicit Medical Image Segmentation with Segment Anything [24.04558900909617]
  提案するI-MedSAMは、連続表現とSAMの両方の利点を利用して、クロスドメイン能力と正確な境界線を求める。 トレーニング可能なパラメータが1.6Mしかない提案手法は、離散的および暗黙的を含む既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2023-11-28T00:43:52Z)
• Lidar Panoptic Segmentation and Tracking without Bells and Whistles [48.078270195629415]
  ライダーセグメンテーションと追跡のための検出中心ネットワークを提案する。 私たちのネットワークのコアコンポーネントの1つは、オブジェクトインスタンス検出ブランチです。 提案手法を複数の3D/4D LPSベンチマークで評価し,我々のモデルがオープンソースモデル間で新たな最先端性を確立することを確認した。
  論文  参考訳（メタデータ） (2023-10-19T04:44:43Z)
• SAM-OCTA: A Fine-Tuning Strategy for Applying Foundation Model to OCTA Image Segmentation Tasks [2.8743451550676866]
  低ランク適応手法を基礎モデル微調整に適用し,それに対応するプロンプトポイント生成戦略を提案する。 この手法はSAM-OCTAと呼ばれ、OCTA-500データセットで実験されている。 本手法は,最先端の性能指標を達成しつつ,局所血管の分断と動脈静脈の分断を効果的に行う。
  論文  参考訳（メタデータ） (2023-09-21T03:41:08Z)
• 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)
• Semantic Attention and Scale Complementary Network for Instance Segmentation in Remote Sensing Images [54.08240004593062]
  本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。 SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。 SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
  論文  参考訳（メタデータ） (2021-07-25T08:53:59Z)

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。