論文の概要: FastSmoothSAM: A Fast Smooth Method For Segment Anything Model
- arxiv url: http://arxiv.org/abs/2507.15008v1
- Date: Sun, 20 Jul 2025 15:35:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-22 20:51:32.159806
- Title: FastSmoothSAM: A Fast Smooth Method For Segment Anything Model
- Title（参考訳）: FastSmoothSAM: 任意のセグメンテーションモデルのための高速スムース手法
- Authors: Jiasheng Xu, Yewang Chen,
- Abstract要約: 本稿では,FastSAMのエッジ品質を向上させるために,B-Spline曲線フィッティング技術を用いた新しい改良手法を提案する。
提案手法は,リアルタイム処理能力を維持しながらセグメンテーション精度を向上させることにより,FastSAMの実用性を向上させる。
- 参考スコア（独自算出の注目度）: 2.313511839676754
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurately identifying and representing object edges is a challenging task in computer vision and image processing. The Segment Anything Model (SAM) has significantly influenced the field of image segmentation, but suffers from high memory consumption and long inference times, limiting its efficiency in real-time applications. To address these limitations, Fast Segment Anything (FastSAM) was proposed, achieving real-time segmentation. However, FastSAM often generates jagged edges that deviate from the true object shapes. Therefore, this paper introduces a novel refinement approach using B-Spline curve fitting techniques to enhance the edge quality in FastSAM. Leveraging the robust shape control and flexible geometric construction of B-Splines, a four-stage refining process involving two rounds of curve fitting is employed to effectively smooth jagged edges. This approach significantly improves the visual quality and analytical accuracy of object edges without compromising critical geometric information. The proposed method improves the practical utility of FastSAM by improving segmentation accuracy while maintaining real-time processing capabilities. This advancement unlocks greater potential for FastSAM technology in various real-world scenarios, such as industrial automation, medical imaging, and autonomous systems, where precise and efficient edge recognition is crucial.
- Abstract（参考訳）: オブジェクトエッジの正確な識別と表現は、コンピュータビジョンと画像処理において難しい課題である。
Segment Anything Model (SAM) は画像セグメンテーションの分野に大きな影響を与えているが、高メモリ消費と長時間の推論に悩まされており、リアルタイムアプリケーションでは効率が制限されている。
これらの制限に対処するため、FastSAM(Fast Segment Anything)が提案され、リアルタイムセグメンテーションを実現した。
しかし、FastSAMは、しばしば真のオブジェクトの形から逸脱したジャグエッジを生成する。
そこで本稿では,FastSAMのエッジ品質を向上させるために,B-Spline曲線フィッティング技術を用いた新しい改良手法を提案する。
B-スプラインの頑健な形状制御とフレキシブルな幾何学的構成を応用し、2ラウンドのカーブフィッティングを含む4段階の精製プロセスを用いて効果的にジャグエッジを滑らかにする。
このアプローチは、重要な幾何学的情報を妥協することなく、物体のエッジの視覚的品質と解析的精度を著しく向上させる。
提案手法は,リアルタイム処理能力を維持しながらセグメンテーション精度を向上させることにより,FastSAMの実用性を向上させる。
この進歩は、精密かつ効率的なエッジ認識が不可欠である産業自動化、医療画像、自律システムなど、さまざまな現実のシナリオにおいて、FastSAM技術に対する大きな可能性を開く。
関連論文リスト
- Enhancing Shape Perception and Segmentation Consistency for Industrial Image Inspection [6.955248386901861]
SPENet(Shape-Aware Efficient Network)を提案する。
SPENetでは、ファジィ境界を記述する新しい手法を導入し、現実のシナリオに適応する。
固定成分のセグメンテーション整合性を測定するために,新しい尺度である Consistency Mean Square Error (CMSE) を提案する。
論文 参考訳（メタデータ） (2025-05-19T09:57:00Z) - A Deep Learning Framework for Boundary-Aware Semantic Segmentation [9.680285420002516]
本研究では境界拡張機能ブリッジングモジュール(BEFBM)を用いたMask2Formerに基づくセマンティックセマンティックセマンティクスアルゴリズムを提案する。
提案手法は,mIOU,mDICE,mRecallなどのメトリクスを大幅に改善する。
ビジュアル分析は、きめ細かい領域におけるモデルの利点を裏付ける。
論文 参考訳（メタデータ） (2025-03-28T00:00:08Z) - ContourFormer: Real-Time Contour-Based End-to-End Instance Segmentation Transformer [9.836892752093297]
本稿では,リアルタイムなcontour-based instance segmentationアルゴリズムであるContourformerを提案する。
この手法は完全にDETRパラダイムに基づいており、輪郭を最適化するための反復的およびプログレッシブなメカニズムを通じてエンドツーエンドの推論を実現する。
我々は、既存の最先端手法と比較して総合的な評価を行い、精度と推論速度の両方において顕著に改善したことを示す。
論文 参考訳（メタデータ） (2025-01-29T14:56:27Z) - Efficient Detection Framework Adaptation for Edge Computing: A Plug-and-play Neural Network Toolbox Enabling Edge Deployment [59.61554561979589]
エッジコンピューティングは、時間に敏感なシナリオでディープラーニングベースのオブジェクト検出をデプロイするための重要なパラダイムとして登場した。
既存のエッジ検出手法では、軽量モデルによる検出精度のバランスの難しさ、適応性の制限、現実の検証の不十分といった課題に直面している。
本稿では,汎用的なプラグイン・アンド・プレイコンポーネントを用いてエッジ環境にオブジェクト検出モデルを適用するエッジ検出ツールボックス(ED-TOOLBOX)を提案する。
論文 参考訳（メタデータ） (2024-12-24T07:28:10Z) - Promptable Anomaly Segmentation with SAM Through Self-Perception Tuning [63.55145330447408]
異常セグメンテーションのための textbfSelf-textbfPerceptinon textbfTuning (textbfSPT) 法を提案する。
SPT法は, 自己描画型チューニング戦略を取り入れ, 異常マスクの初期粗いドラフトを生成し, 精製処理を行う。
論文 参考訳（メタデータ） (2024-11-26T08:33:25Z) - On Efficient Variants of Segment Anything Model: A Survey [63.127753705046]
Segment Anything Model (SAM) は画像分割タスクの基本モデルであり、多様なアプリケーションにまたがる強力な一般化で知られている。
これを解決するために、精度を保ちながら効率を高めるために様々なSAM変種が提案されている。
この調査は、これらの効率的なSAM変種に関する最初の包括的なレビューを提供する。
論文 参考訳（メタデータ） (2024-10-07T11:59:54Z) - RMP-SAM: Towards Real-Time Multi-Purpose Segment Anything [117.02741621686677]
この研究はリアルタイム多目的セグメンテーションと呼ばれる新しいリアルタイムセグメンテーション設定を探索する。
インタラクティブセグメンテーション、パノスコープセグメンテーション、ビデオインスタンスセグメンテーションの3つの基本的なサブタスクを含んでいる。
動的畳み込みに基づく新しい動的畳み込み手法であるReal-Time Multi-Purpose SAM(RMP-SAM)を提案する。
効率的なエンコーダと、プロンプト駆動のデコードを実行するための効率的なデカップリングアダプタを含む。
論文 参考訳（メタデータ） (2024-01-18T18:59:30Z) - Real-Time Scene Text Detection with Differentiable Binarization and
Adaptive Scale Fusion [62.269219152425556]
セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。
本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。
アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
論文 参考訳（メタデータ） (2022-02-21T15:30:14Z) - MEST: Accurate and Fast Memory-Economic Sparse Training Framework on the
Edge [72.16021611888165]
本稿では,エッジデバイス上での高精度かつ高速な実行を目的とした,メモリ・エコノミクス・スパース・トレーニング(MEST)フレームワークを提案する。
提案されているMESTフレームワークは、Elastic Mutation (EM)とSoft Memory Bound (&S)による拡張で構成されている。
以上の結果から,スペーサマスクの動的探索においても,忘れられない例をその場で特定できることが示唆された。
論文 参考訳（メタデータ） (2021-10-26T21:15:17Z) - PanoNet: Real-time Panoptic Segmentation through Position-Sensitive
Feature Embedding [27.15057692314514]
そこで本研究では,パン光学セグメンテーションのためのセマンティックマスクとインスタンスマスクを同時に生成する,シンプルで高速で柔軟なフレームワークを提案する。
パノネットと呼ばれる我々の手法はクリーンで自然な構造設計を取り入れており、時間を要する検出処理を使わずにセグメンテーションタスクとして問題に対処する。
全体として、PanoNetは高解像度のCityscapes画像の高画質化結果をリアルタイムで得る。
論文 参考訳（メタデータ） (2020-08-01T06:58:35Z) - Refined Plane Segmentation for Cuboid-Shaped Objects by Leveraging Edge
Detection [63.942632088208505]
本稿では,セグメント化された平面マスクを画像に検出されたエッジと整列するための後処理アルゴリズムを提案する。
これにより、立方体形状の物体に制限を加えながら、最先端のアプローチの精度を高めることができます。
論文 参考訳（メタデータ） (2020-03-28T18:51:43Z)
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。