论文阅读
文章平均质量分 64
重糖爱好者
斯坦福大学计算机视觉博士
展开
-
one-shot 序列图像红外小目标分割
受SAM (Segment Anything Model)所领导的大模型在各种下游任务中取得成功的启发,我们提出了一种one-shot、无需训练的方法,将SAM的zero-shot泛化能力完美地适应于序列红外小目标分割。然后,以置信图中的最高点作为提示,设计了以点提示为中心的聚焦(PPCF)模块,解决边界模糊的小目标的过度分割问题。实验表明,我们的方法只需要one-shot就可以达到与基于传统many-shot监督的最先进方法相当的性能,甚至在少few-shot设置中表现更好。原创 2024-08-14 14:34:39 · 411 阅读 · 0 评论 -
论文解读-SAM: Segment Anything Model
我们提出了名为Segment Anything的项目:一个针对图像分割的新的任务、模型和数据集。在数据收集循环中使用我们的高效模型,我们构建了迄今为止(到目前为止)最大的分割数据集,在 110万张授权和尊重隐私的图像上使用了超过 10 亿个掩码。该模型被设计为可提示的,因此它可以将零样本迁移到新的图像分布和任务中。我们评估了它在众多任务上的能力,发现它的零样本性能令人印象深刻——通常与之前完全监督的结果竞争甚至优于。原创 2023-04-08 10:37:30 · 988 阅读 · 0 评论 -
论文阅读: Masked Autoencoders Are Scalable Vision Learners掩膜自编码器是可扩展的视觉学习器
Masked Autoencoders Are Scalable Vision Learners掩膜自编码器是可扩展的视觉学习器作者:FaceBook大神何恺明 一作摘要:This paper shows that masked autoencoders (MAE) are scalable self-supervised learners for computer vision. Our MAE approach is simple: we mask random patches of the i原创 2021-11-14 17:03:09 · 2617 阅读 · 0 评论 -
基于深度学习图像分割的研究综述(1)
文章目录今天疫情期间在家读的综述型文章,还用它写了一篇专业英语课的作业思维导图是用Mindjet MindManager做出来的原创 2020-12-12 22:21:05 · 670 阅读 · 0 评论