“无监督学习+SAM”完美结合，成就顶会论文新宠！

2024深度学习发论文&模型涨点之——无监督SAM

无监督SAM（UnSAM）是一种在计算机视觉领域，尤其是图像分割领域取得重大进步的技术。UnSAM的核心在于它能够无需人工标注数据，即时启动并自动进行整体图像分割。这一技术采用了分而治之的策略，通过自顶向下的聚类方法将未标注的图像分割成实例级和语义级的segments，然后利用自底向上的聚类方法迭代合并像素，形成更大的组，建立层次结构。这些无监督的多粒度masks随后可用于监督模型训练。

无监督SAM技术通过自动分割图像成实例级和语义级的segments，广泛应用于自动驾驶、医学成像、环境监控、数字病理学图像分析、民用基础设施缺陷评估、视频目标跟踪和异常检测等多个领域，无需人工标注数据即可实现高效准确的图像分析和理解。

如果有同学想发表相关论文，小编整理了一些无监督SAM【论文】合集，以下放出部分，全部论文PDF版，需要的同学公重号【AI科研灵感】回复“无监督SAM”即可全部领取

论文精选

论文1：

Robust Zero-Shot Crowd Counting and Localization With Adaptive Resolution SAM

鲁棒的零样本人群计数与定位：自适应分辨率SAM

方法

• Segment-Everything-Everywhere Model (SEEM)：利用SEEM生成用于训练人群计数模型的伪标签，SEEM是Segmentation Anything Model (SAM)的变体。

• 自适应分辨率SEEM (AdaSEEM)：提出AdaSEEM以处理人群场景中的尺度变化、遮挡和重叠问题，通过在高密度区域放大来提高识别率。

• 高斯混合模型 (GMM) 定位方法：基于GMM预测人群中头部位置，用于生成头部位置的伪标签。

• 鲁棒损失函数：设计了一种鲁棒损失函数，排除SEEM预测中的不确定区域，以增强计数网络的训练过