入门SAM看这一篇就够了

目录

一：概述

 二：介绍

三：配合参考文章

1.SAM采用的是预训练+微调的形式

2.SAM的损失函数是Focal Loss

3. SAM属于语义分割，所以我们必须要了解什么是语义分割和实例分割

4.SAM有使用到文本分割，但是并未开源，但是论文作者有提到相关方法，采用的是CLIP实现文本和图像进行交互

5.SAM相关应用

6.代码复现

7.参考

---

一：概述

SAM全称Segment Anything

项目地址：facebookresearch/segment-anything: The repository provides code for running inference with the SegmentAnything Model (SAM), links for downloading the trained model checkpoints, and example notebooks that show how to use the model. (github.com)

SAM体验的网址：

Segment Anything | Meta AI (segment-anything.com)

改良版HQ-SAM项目地址：SysCV/sam-hq: Segment Anything in High Quality [NeurIPS 2023] (github.com)

 二：介绍

SAM是Meta发布的具有zero-shot能力的分割算法，他能够大大减少人们分割的时间，提高效率。支持自动分割，交互方面也做的比较人性化，可以通过鼠标点击、画框、涂掩码的形式进行分割。

三：配合参考文章

除了要看SAM本身的论文之外，下面这些文章也是可以帮助深入理解SAM

1.SAM采用的是预训练+微调的形式

深入理解预训练（pre-learning）、微调（fine-tuning）、迁移学习（transfer learning）三者的联系与区别_预训练和微调-CSDN博客

2.SAM的损失函数是Focal Loss

 Focal Loss损失函数（超级详细的解读）-CSDN博客

focal loss 通俗讲解 - 知乎 (zhihu.com)

有需要深入了解的可以去看论文原文，何恺明大神写的 Focal Loss for Dense Object Detection

3. SAM属于语义分割，所以我们必须要了解什么是语义分割和实例分割

一文读懂语义分割与实例分割 - 知乎 (zhihu.com)

语义分割概念及应用介绍 - 知乎 (zhihu.com)

4.SAM有使用到文本分割，但是并未开源，但是论文作者有提到相关方法，采用的是CLIP实现文本和图像进行交互

5.SAM相关应用

Segment Anything(sam)项目整理汇总 - 知乎 (zhihu.com)

6.代码复现

HQ-SAM代码复现_sam-hq-CSDN博客

7.参考

 关于Segment Anything in High Quality的研究（一）-CSDN博客