論文の概要: SAM$^{*}$: Task-Adaptive SAM with Physics-Guided Rewards

• arxiv url: http://arxiv.org/abs/2509.07047v1
• Date: Mon, 08 Sep 2025 13:51:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.053966
• Title: SAM$^{*}$: Task-Adaptive SAM with Physics-Guided Rewards
• Title（参考訳）: SAM$^{*}$:物理誘導リワード付きタスク適応SAM
• Authors: Kamyar Barakati, Utkarsh Pratiush, Sheryl L. Sanchez, Aditya Raghavan, Delia J. Milliron, Mahshid Ahmadi, Philip D. Rack, Sergei V. Kalinin,
• Abstract要約: 画像セグメンテーションは顕微鏡において重要な課題であり、複雑な視覚データを正確に分析し解釈するために不可欠である。 ここでは、ファインチューン基礎モデルに対する報酬関数に基づく最適化を提案する。 細胞構造, 材料界面, ナノスケールの特徴を解析するために, 精密セグメンテーションが不可欠である顕微鏡画像において, このアプローチの有効性を実証する。
• 参考スコア（独自算出の注目度）: 0.5805874695844994
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Image segmentation is a critical task in microscopy, essential for accurately analyzing and interpreting complex visual data. This task can be performed using custom models trained on domain-specific datasets, transfer learning from pre-trained models, or foundational models that offer broad applicability. However, foundational models often present a considerable number of non-transparent tuning parameters that require extensive manual optimization, limiting their usability for real-time streaming data analysis. Here, we introduce a reward function-based optimization to fine-tune foundational models and illustrate this approach for SAM (Segment Anything Model) framework by Meta. The reward functions can be constructed to represent the physics of the imaged system, including particle size distributions, geometries, and other criteria. By integrating a reward-driven optimization framework, we enhance SAM's adaptability and performance, leading to an optimized variant, SAM$^{*}$, that better aligns with the requirements of diverse segmentation tasks and particularly allows for real-time streaming data segmentation. We demonstrate the effectiveness of this approach in microscopy imaging, where precise segmentation is crucial for analyzing cellular structures, material interfaces, and nanoscale features.
• Abstract（参考訳）: 画像セグメンテーションは顕微鏡において重要な課題であり、複雑な視覚データを正確に分析し解釈するために不可欠である。 このタスクは、ドメイン固有のデータセットでトレーニングされたカスタムモデル、事前訓練されたモデルからの学習、あるいは幅広い適用性を提供する基礎モデルを使用して実行することができる。 しかし、基礎的なモデルは、大規模な手動最適化を必要とし、リアルタイムストリーミングデータ分析のユーザビリティを制限する、かなりの数の非透明なチューニングパラメータをしばしば提示する。 ここでは,微調整基礎モデルに対する報酬関数に基づく最適化を紹介し,MetaによるSAM(Segment Anything Model)フレームワークに対するこのアプローチについて説明する。 報酬関数は、粒子サイズ分布、ジオメトリ、その他の基準を含む画像システムの物理を表現するために構築することができる。 報奨駆動の最適化フレームワークを統合することにより、SAMの適応性とパフォーマンスが向上し、最適化されたSAM$^{*}$が、多様なセグメンテーションタスクの要求によく適合し、特にリアルタイムのストリーミングデータセグメンテーションを可能にします。 細胞構造, 材料界面, ナノスケールの特徴を解析するために, 精密セグメンテーションが不可欠である顕微鏡画像において, このアプローチの有効性を実証する。

関連論文リスト

• Adapting Segment Anything Model (SAM) to Experimental Datasets via Fine-Tuning on GAN-based Simulation: A Case Study in Additive Manufacturing [1.8547557605937304]
  Segment Anything Model (SAM) は汎用画像セグメンテーション用に設計されている。 本研究では,添加物製造部品の工業用X線CT検査におけるSAMの適用と限界について検討する。 本稿では,パラメータ効率の高い手法,特にConv-LoRaを用いてSAMを材料固有のデータセットに適用するための微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-12-16T02:11:19Z)
• 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)
• Physics-based reward driven image analysis in microscopy [5.581609660066545]
  本稿では,画像解析を動的に最適化するReward Functionの概念に基づく方法論を提案する。 Reward関数は、実験目標とより広いコンテキストと密接に整合するように設計されている。 高次元クラスタリングの物理駆動型報酬関数とアクション空間を作成することにより,部分非秩序領域の同定に向けた報酬関数のアプローチを拡張した。
  論文  参考訳（メタデータ） (2024-04-22T12:55:04Z)
• 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)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• nnSAM: Plug-and-play Segment Anything Model Improves nnUNet Performance [12.169801149021566]
  Segment Anything Model (SAM)は、特定のドメイントレーニングなしで画像セグメンテーションのための汎用ツールとして登場した。 nnUNetのような従来のモデルは推論中に自動セグメンテーションを実行するが、広範なドメイン固有のトレーニングが必要である。 提案するnnSAMは,SAMの頑健な特徴抽出とnnUNetの自動構成を統合し,小さなデータセットのセグメンテーション精度を向上させる。
  論文  参考訳（メタデータ） (2023-09-29T04:26:25Z)
• Topological Data Analysis Guided Segment Anything Model Prompt Optimization for Zero-Shot Segmentation in Biological Imaging [5.795215830149858]
  我々は,Segment Anything Model (SAM) のプロンプト最適化を導くトポロジカルデータ解析を提案する。 以上の結果から,TDA最適化点雲は小型物体の発見に非常に適しており,計算複雑性を大幅に低減することがわかった。
  論文  参考訳（メタデータ） (2023-06-30T05:00:38Z)
• Shared Space Transfer Learning for analyzing multi-site fMRI data [83.41324371491774]
  マルチボクセルパターン解析(MVPA)は、タスクベース機能磁気共鳴画像(fMRI)データから予測モデルを学習する。 MVPAはよく設計された機能セットと十分なサンプルサイズで機能する。 ほとんどのfMRIデータセットはノイズが多く、高次元で、収集するのに高価で、サンプルサイズも小さい。 本稿では,新しい伝達学習手法として共有空間移動学習(SSTL)を提案する。
  論文  参考訳（メタデータ） (2020-10-24T08:50:26Z)

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。