期刊分析
期刊名:
Journal of Physics: Conference Series
期刊信息:
EI会议
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)