論文の概要: ZMIS-SAM: Segment Anything Model Enhanced with Wavelet Transform for Zooplankton Microscopy Image Instance Segmentation

• arxiv url: http://arxiv.org/abs/2607.27585v1
• Date: Thu, 30 Jul 2026 02:06:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.362762
• Title: ZMIS-SAM: Segment Anything Model Enhanced with Wavelet Transform for Zooplankton Microscopy Image Instance Segmentation
• Title（参考訳）: ZMIS-SAM:動物プランクトン顕微鏡画像インスタンス分割のためのウェーブレット変換によるセグメンテーションモデル
• Abstract要約: SAMとウェーブレット変換(ZMIS-SAM)に基づく新しいインスタンスセグメンテーションモデルを提案する。 ZM-ViTは、動物プランクトン形態と画像強度分布をモデル化するSAMの能力を強化する。 ZMIS-SAMは、動物園プランクトンデータセット上で最先端のインスタンスセグメンテーション性能を達成する。
• 参考スコア（独自算出の注目度）: 4.369116904792311
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As primary consumers in the marine food chain, zooplankton play a crucial role in maintaining marine ecological balance. However, the Segment Anything Model (SAM) exhibits limited performance in microscopic image instance segmentation due to its lack of zooplankton-specific domain knowledge. To address these challenges, we propose a novel instance segmentation model based on SAM and wavelet transform (ZMIS-SAM), effectively tackling issues such as inaccurate classification, discontinuous segmentation of slender appendages, and incomplete boundary segmentation. Our framework incorporates three core innovations: ZM-ViT enhances SAM's capability to model zooplankton morphology and image intensity distributions through two lightweight adapters, the Neighboring Feature Aggregation Module (NFAM) improves continuous segmentation of semi-transparent slender appendages by integrating general-purpose and domain-specific features, and the Wavelet-based Multi-scale Multi-directional Feature Enhancement (WM2FE) module effectively recovers high-frequency details to refine boundary segmentation completeness. Extensive experiments demonstrate that ZMIS-SAM achieves state-of-the-art instance segmentation performance on the zooplankton dataset and exhibits strong generalization capability across multiple public cross-domain datasets.
• Abstract（参考訳）: 海洋食物連鎖の主要な消費者として、動物プランクトンは海洋生態系のバランスを維持する上で重要な役割を担っている。 しかし、Segment Anything Model (SAM) は、動物園プランクトン固有のドメイン知識の欠如により、顕微鏡画像インスタンスのセグメンテーションにおいて、限られた性能を示す。 これらの課題に対処するために、SAMとウェーブレット変換(ZMIS-SAM)に基づく新しいインスタンスセグメンテーションモデルを提案し、不正確な分類、スレンダー付属物の不連続セグメンテーション、不完全境界セグメンテーションといった問題に効果的に取り組む。 ZM-ViTは2つの軽量アダプタによる動物プランクトン形態と画像強度分布をモデル化するSAMの能力を強化し、NFAM(Neighboring Feature Aggregation Module)は汎用性とドメイン固有性を統合した半透明スレンダーの連続セグメンテーションを改善し、ウェーブレットベースのマルチスケールマルチ方向性特徴拡張(WM2FE)モジュールは境界セグメンテーションの完全性を高めるために、高頻度の詳細を効果的に回収する。 大規模な実験により、ZMIS-SAMは動物園プランクトンデータセット上で最先端のインスタンスセグメンテーション性能を達成し、複数のパブリッククロスドメインデータセットにまたがる強力な一般化能力を示した。

関連論文リスト

• Frequency and Edge-Guided Segment Anything Model for Remote Sensing Image Semantic Segmentation [39.9598566181483]
  Segment Anything Model (SAM)はRSISSタスクに対して強力なセグメンテーション性能と一般化機能を提供する。 FE-SAMはRSISSのスケーラブルで効率的なフレームワークである。 3つのベンチマークデータセットの実験では、FE-SAMが最先端の手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2026-08-15T05:55:41Z)
• Adapting SAM to Nuclei Instance Segmentation and Classification via Cooperative Fine-Grained Refinement [24.433000105666114]
  本稿では,SAMの協調微粒化という,パラメータ効率のよい微粒化フレームワークを提案する。 これら3つのコンポーネントは、局所的な知覚を高め、空間的詳細を保存し、境界を洗練するために協調して働き、SAMは正確な核インスタンスのセグメンテーションを直接実行することができる。
  論文  参考訳（メタデータ） (2026-03-30T04:39:07Z)
• HFP-SAM: Hierarchical Frequency Prompted SAM for Efficient Marine Animal Segmentation [61.044699537570644]
  本研究では,高性能海洋動物分節のための新しい学習フレームワークHFP-SAMを提案する。 まず、凍結したSAMバックボーンに海洋シーン情報を効率よく注入する周波数誘導アダプタ(FGA)を設計する。 また、周波数分析により強調領域を生成するために、周波数対応ポイント選択(FPS)を導入する。
  論文  参考訳（メタデータ） (2026-03-13T06:43:26Z)
• Expose Camouflage in the Water: Underwater Camouflaged Instance Segmentation and Dataset [76.92197418745822]
  カモフラージュされたインスタンスセグメンテーション(CIS)は、周囲と密接に融合したオブジェクトを正確にセグメンテーションする際の大きな課題に直面します。 従来のカモフラージュされたインスタンスセグメンテーション法は、水中のサンプルが限られている地球上で支配的なデータセットに基づいて訓練されており、水中のシーンでは不十分な性能を示す可能性がある。 本研究は,海中カモフラージュされた海洋生物の3,953枚の画像とインスタンスレベルのアノテーションを含む,最初の水中カモフラージュされたインスタンスセグメンテーションデータセットUCIS4Kを紹介する。
  論文  参考訳（メタデータ） (2025-10-20T14:34:51Z)
• TASAM: Terrain-and-Aware Segment Anything Model for Temporal-Scale Remote Sensing Segmentation [20.89385225170904]
  Segment Anything Model (SAM)は、自然画像領域にまたがる印象的なゼロショットセグメンテーション機能を実証した。 本稿では,高解像度リモートセンシング画像セグメンテーションに特化して設計された SAM の地形・時間的拡張である TASAM を紹介する。
  論文  参考訳（メタデータ） (2025-09-19T09:24:24Z)
• Customize Segment Anything Model for Multi-Modal Semantic Segmentation with Mixture of LoRA Experts [17.6980007370549]
  マルチモーダルなセマンティックセマンティックセマンティクスにセマンティクスモデル(SAM)を適用するための最初の試みを行う。 SAMの重量を凍結させながらMoE-LoRA層のみをトレーニングすることにより、SAMの強力な一般化とセグメンテーション能力は下流タスクに保存できる。 具体的には、モーダル間の不整合に対処するために、モーダル間の重み付き特徴を適応的に生成する新しいMoEルーティング戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-05T14:54:31Z)
• SAM-MIL: A Spatial Contextual Aware Multiple Instance Learning Approach for Whole Slide Image Classification [9.69491390062406]
  本研究では,空間的文脈認識を重視し,空間的文脈を明示的に取り入れた新しいMILフレームワークSAM-MILを提案する。 提案手法は,空間的文脈に基づくグループ特徴抽出とSAM-Guided Group Masking戦略を含む。 CAMELYON-16およびTCGA肺がんデータセットの実験結果から,提案したSAM-MILモデルは,WSIs分類において既存の主流手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-25T01:12:48Z)
• Fantastic Animals and Where to Find Them: Segment Any Marine Animal with Dual SAM [62.85895749882285]
  海洋動物(英: Marine Animal、MAS)は、海洋環境に生息する動物を分類する動物である。 高性能MASのための新しい特徴学習フレームワークDual-SAMを提案する。 提案手法は,広く使用されている5つのMASデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-04-07T15:34:40Z)
• PosSAM: Panoptic Open-vocabulary Segment Anything [58.72494640363136]
  PosSAMはオープン・ボキャブラリ・パノプティ・セグメンテーション・モデルであり、Segment Anything Model(SAM)の強みを、エンドツーエンドのフレームワークで視覚ネイティブのCLIPモデルと統合する。 本稿では,マスクの質を適応的に向上し,各画像の推論中にオープン語彙分類の性能を高めるマスク対応選択組立アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-14T17:55:03Z)
• Semantic-SAM: Segment and Recognize Anything at Any Granularity [83.64686655044765]
  本稿では,任意の粒度でセグメンテーションと認識を可能にする汎用画像セグメンテーションモデルであるSemantic-SAMを紹介する。 複数のデータセットを3つの粒度に集約し、オブジェクトとパーツの分離した分類を導入する。 マルチグラニュラリティ機能を実現するために,各クリックで複数のレベルのマスクを生成できるマルチ選択学習方式を提案する。
  論文  参考訳（メタデータ） (2023-07-10T17:59:40Z)
• 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。