分割大模型论文阅读——All-in-SAM: from Weak Annotation to Pixel-wise Nuclei Segmentation

期刊分析

期刊名: Journal of Physics: Conference Series
期刊信息: EI会议
在这里插入图片描述

摘要

分割任意模型 (SAM) 是最近在通用零样本分割方法中提出的基于提示的分割模型。凭借零样本分割能力,SAM 在各种分割任务上实现了令人印象深刻的灵活性和精度。然而,当前的流程在推理阶段需要手动提示,这对于生物医学图像分割来说仍然是资源密集型的。在本文中,我们没有在推理阶段使用提示,而是引入了一种利用 SAM 的方法(称为 all-in-SAM),贯穿整个 AI 开发工作流程(从注释生成到模型微调),而无需在推理过程中进行手动提示阶段。具体来说,SAM 首先用于根据弱提示(例如点、边界框)生成像素级注释。然后,使用像素级注释来微调 SAM 分割模型,而不是从头开始训练。我们的实验结果揭示了两个关键发现:1)所提出的流程在公共 Monuseg 数据集上的细胞核分割任务中超越了最先进的方法,2)利用弱且少量的 SAM 微调注释实现了有竞争力的性能与使用强像素注释数据相比。


引言

基础模型是一类在广泛数据集上进行预训练的强大模型,可以针对特定应用进一步开发[1]、[2]。以分割任意模型(SAM)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Philo`

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值