Segment Anything 面向显著目标检测的低秩自适应微调
计算机视觉与模式识别
2023-08-11 v1
摘要
基础模型，如 OpenAI 的 GPT-3 与 GPT-4、Meta 的 LLaMA 以及 Google 的 PaLM2，已彻底改变了人工智能领域。一个显著的范式转变是 Segment Anything Model (SAM) 的出现，其在 10 亿掩码和 1100 万图像上训练，展现出分割真实世界物体的卓越能力。尽管 SAM 在通用物体分割上表现出色，但缺乏检测显著目标的内在能力，导致在该领域性能欠佳。为应对此挑战，我们提出 Segment Salient Object Model (SSOM)，一种创新方法，通过利用深度学习固有的低秩结构自适应微调 SAM 以用于显著目标检测。在五个具挑战性的 RGB 基准数据集上的全面定性与定量评估证明了我们方法的优越性能，超越了当前最优方法。
引用
@article{arxiv.2308.05426,
title = {Adaptive Low Rank Adaptation of Segment Anything to Salient Object Detection},
author = {Ruikai Cui and Siyuan He and Shi Qiu},
journal= {arXiv preprint arXiv:2308.05426},
year = {2023}
}
备注
13 pages, 0 figures