論文の概要: Adapting Segment Anything Model for Power Transmission Corridor Hazard Segmentation

• arxiv url: http://arxiv.org/abs/2505.22105v1
• Date: Wed, 28 May 2025 08:32:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.498388
• Title: Adapting Segment Anything Model for Power Transmission Corridor Hazard Segmentation
• Title（参考訳）: 送電用コリダハザードセグメンテーションのためのセグメンテーションモデルの適用
• Authors: Hang Chen, Maoyuan Ye, Peng Yang, Haibin He, Juhua Liu, Bo Du,
• Abstract要約: 送電路ハザードセグメンテーション(PTCHS)は、送電設備と周辺ハザードを複雑な背景から分離することを目的としている。 近年,Segment Anything Model (SAM) が基本的なビジョンモデルとして登場し,セグメンテーションタスクの境界を推し進めている。 本稿では PTCHS タスクに SAM を適用した ELE-SAM を提案する。
• 参考スコア（独自算出の注目度）: 41.947060813282086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Power transmission corridor hazard segmentation (PTCHS) aims to separate transmission equipment and surrounding hazards from complex background, conveying great significance to maintaining electric power transmission safety. Recently, the Segment Anything Model (SAM) has emerged as a foundational vision model and pushed the boundaries of segmentation tasks. However, SAM struggles to deal with the target objects in complex transmission corridor scenario, especially those with fine structure. In this paper, we propose ELE-SAM, adapting SAM for the PTCHS task. Technically, we develop a Context-Aware Prompt Adapter to achieve better prompt tokens via incorporating global-local features and focusing more on key regions. Subsequently, to tackle the hazard objects with fine structure in complex background, we design a High-Fidelity Mask Decoder by leveraging multi-granularity mask features and then scaling them to a higher resolution. Moreover, to train ELE-SAM and advance this field, we construct the ELE-40K benchmark, the first large-scale and real-world dataset for PTCHS including 44,094 image-mask pairs. Experimental results for ELE-40K demonstrate the superior performance that ELE-SAM outperforms the baseline model with the average 16.8% mIoU and 20.6% mBIoU performance improvement. Moreover, compared with the state-of-the-art method on HQSeg-44K, the average 2.9% mIoU and 3.8% mBIoU absolute improvements further validate the effectiveness of our method on high-quality generic object segmentation. The source code and dataset are available at https://github.com/Hhaizee/ELE-SAM.
• Abstract（参考訳）: 送電路ハザードセグメンテーション(PTCHS)は、送電設備と周囲のハザードを複雑な背景から分離することを目的としており、送電の安全性を維持する上で非常に重要である。 近年,Segment Anything Model (SAM) が基本的なビジョンモデルとして登場し,セグメンテーションタスクの境界を推し進めている。 しかしSAMは、複雑な伝送路シナリオ、特に微細な構造を持つシナリオにおいて、対象物を扱うのに苦労している。 本稿では PTCHS タスクに SAM を適用した ELE-SAM を提案する。 技術的には、グローバルなローカル機能を導入し、キーリージョンにもっとフォーカスすることで、より優れたプロンプトトークンを実現するためのコンテキスト対応プロンプトアダプタを開発した。 その後, 複雑な背景に微細な構造を持つハザードオブジェクトに対処するために, マルチグラニュラリティマスク機能を利用して高精細度マスクデコーダを設計し, より高精細度にスケールアップする。 さらに、ELE-SAMをトレーニングし、この分野を前進させるために、44,094対の画像マスクを含むPTCHSのための最初の大規模および実世界のデータセットであるELE-40Kベンチマークを構築した。 ELE-40Kの実験結果は、ELE-SAMが平均16.8% mIoUと20.6% mBIoUのパフォーマンス改善でベースラインモデルを上回る性能を示した。 さらに,HQSeg-44Kの最先端手法と比較して,平均2.9% mIoUと3.8% mBIoU絶対値の改善が,高品質な汎用オブジェクトセグメンテーションにおける本手法の有効性をさらに検証した。 ソースコードとデータセットはhttps://github.com/Hhaizee/ELE-SAMで公開されている。

関連論文リスト

• E-SAM: Training-Free Segment Every Entity Model [22.29478489117426]
  特有なES能力を示す新しいトレーニングフリーフレームワークであるE-SAMを紹介する。 E-SAMは、以前のESメソッドと比較して最先端のパフォーマンスを実現し、ベンチマークメトリクスで+30.1で大幅に改善されている。
  論文  参考訳（メタデータ） (2025-03-15T11:41:33Z)
• SAMRefiner: Taming Segment Anything Model for Universal Mask Refinement [40.37217744643069]
  マスク改善タスクにSAMを適用することで,汎用的で効率的なアプローチを提案する。 具体的には,SAMの多様な入力プロンプトをマイニングするためのマルチプロンプト掘削手法を提案する。 ターゲットデータセット上のジェネリックSAMRefinerのパフォーマンスをさらに向上するため、IoU適応ステップを追加してSAMRefiner++にメソッドを拡張します。
  論文  参考訳（メタデータ） (2025-02-10T18:33:15Z)
• 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)
• 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)
• Adaptive Low Rank Adaptation of Segment Anything to Salient Object Detection [4.518062259375366]
  Segment Anything Model (SAM)は、現実世界のオブジェクトをセグメント化する素晴らしい能力を示した。 SAMは、真正なオブジェクトを検出できる固有の能力に欠けており、このドメインの最適以下のパフォーマンスをもたらす。 本稿では,ディープラーニングに固有の低ランク構造を利用して,適応的にSAMを微調整する手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T08:39:59Z)
• Segment Anything in High Quality [116.39405160133315]
  そこで本研究では,SAM のプロンプト可能な設計,効率,ゼロショットの一般化性を維持しつつ,任意のオブジェクトを正確にセグメント化できる HQ-SAM を提案する。 注意深い設計はSAMの事前訓練されたモデルの重みを再利用し、保存し、最小限の追加パラメータと計算しか導入しない。 ダウンストリームタスクにまたがる10種類のセグメンテーションデータセットでHQ-SAMの有効性を示し,そのうち8つをゼロショット転送プロトコルで評価した。
  論文  参考訳（メタデータ） (2023-06-02T14:23:59Z)

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。