論文の概要: Don't waste SAM

• arxiv url: http://arxiv.org/abs/2606.10696v1
• Date: Tue, 09 Jun 2026 10:53:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.45362
• Title: Don't waste SAM
• Title（参考訳）: SAMを無駄にしてはいけない
• Authors: Nermeen Abou Baker, Uwe Handmann,
• Abstract要約: 微調整されたSAM-ViT-Hモデルは、最先端のZerowasteとTACOデータセットより優れており、IoUでは+30が大幅に増加した。 TrashCan 1.0のパフォーマンスレベルに近づき、-1.44の差しかなかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Meta AI has recently released the Segment Anything Model (SAM), which demonstrates exceptional zero-shot image segmentation performance across various tasks with remarkable accuracy. Despite its inability to provide accurate segmentation across multiple research fields, SAM still serves as a valuable starting point for supporting the segmentation pipeline process, particularly for tasks that require extensive and senior skills annotations. This study aims to evaluate the generalization of SAM and fine-tuning SAM models using three waste segmentation datasets. Although they are captured from real scenes as SAM was pretrained on, these datasets present several challenges, including occlusions, deformable objects, transparency, and objects easily confused with backgrounds. In our findings, the fine-tuned SAM-ViT-H model outperforms the state-ofthe-art Zerowaste, and TACO datasets with a significant increase of +30 in IoU, and it closely approaches performance levels of TrashCan 1.0, with only a -1.44 difference. After evaluating these popular waste datasets, it became evident that fine-tuning SAM as a foundational model is a crucial step for providing better generalization for downstream waste segmentation tasks. Therefore, SAM should not be disregarded or wasted.
• Abstract（参考訳）: Meta AIがSegment Anything Model(SAM)をリリースした。これは、さまざまなタスクにわたる例外的なゼロショットイメージセグメンテーションのパフォーマンスを、驚くほどの精度で示すものだ。 SAMは複数の研究分野に正確なセグメンテーションを提供することができないが、セグメンテーションパイプラインプロセス、特に広範囲で高度なスキルアノテーションを必要とするタスクをサポートするための貴重な出発点として機能している。 本研究では,3つの廃棄物分節データセットを用いてSAMモデルと微調整SAMモデルの一般化を評価することを目的とする。 SAMが事前トレーニングされた時に実際のシーンからキャプチャされるが、これらのデータセットは、閉塞、変形可能なオブジェクト、透過性、背景と容易に混同されるオブジェクトなど、いくつかの課題を提示している。 その結果, SAM-ViT-Hモデルでは, 最先端のZerowaste, TACOデータセットはIoUで+30増加し, TrashCan 1.0のパフォーマンスレベルに近づき, 差は-1.44に過ぎなかった。 これらの廃棄物データセットを評価した結果, SAMを基礎モデルとして微調整することが, 下流廃棄物の分節化タスクのより優れた一般化を実現するための重要なステップであることが判明した。 したがって、SAMは無視または無駄にすべきではない。

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)
• ASAM: Boosting Segment Anything Model with Adversarial Tuning [9.566046692165884]
  本稿では, 対角的チューニングにより基礎モデルの性能を増幅する新しい手法であるASAMを紹介する。 我々は,自然言語処理における実装の成功に触発された,自然対逆例の可能性を生かした。 本手法は, 対向例のフォトリアリズムを維持し, 元のマスクアノテーションとの整合性を確保する。
  論文  参考訳（メタデータ） (2024-05-01T00:13:05Z)
• BLO-SAM: Bi-level Optimization Based Overfitting-Preventing Finetuning of SAM [37.1263294647351]
  BLO-SAMを導入し、二段階最適化(BLO)に基づいてSAM(Segment Anything Model)を微調整する。 BLO-SAMは、モデルの重みパラメータのトレーニングと、トレーニングデータセットの2つの別々のサブセットへの迅速な埋め込みによって、過適合のリスクを低減する。 その結果、BLO-SAMは様々な最先端画像セマンティックセグメンテーション法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-02-26T06:36:32Z)
• Promoting Segment Anything Model towards Highly Accurate Dichotomous Image Segmentation [11.133337712285424]
  本研究では,精度の高いオブジェクトセグメンテーションに向けてSegment Anything Model(SAM)を前進させるdis-SAMを提案する。 DIS-SAMは2段階のアプローチを採用しており、以前はプロンプトフリーのdisタスクを扱うように設計されていた改良されたアドバンストネットワークとSAMを統合している。 DIS-SAMは単純さにもかかわらずSAM、HQ-SAM、Pi-SAMを8.5%、最大で6.9%、最大で3.7%向上させる。
  論文  参考訳（メタデータ） (2023-12-30T14:24:33Z)
• TinySAM: Pushing the Envelope for Efficient Segment Anything Model [73.06322749886483]
  我々は,強力なゼロショット性能を維持しつつ,小さなセグメントの任意のモデル(TinySAM)を得るためのフレームワークを提案する。 これらすべての提案手法により、TinySAMは計算量を大幅に削減し、エンベロープを効率的なセグメント化タスクにプッシュする。
  論文  参考訳（メタデータ） (2023-12-21T12:26:11Z)
• Stable Segment Anything Model [79.9005670886038]
  SAM(Segment Anything Model)は、高品質なプロンプトが与えられた場合、顕著に迅速なセグメンテーションを実現する。 本稿では,SAMのセグメンテーション安定性について,多様なプロンプト特性のスペクトルにわたって包括的解析を行った。 1)SAMのセグメンテーション安定性を広範囲に改善し,2)SAMの強力なセグメンテーション効率と一般化を維持した。
  論文  参考訳（メタデータ） (2023-11-27T12:51:42Z)
• 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)

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。