关于分割一切模型（SAM）鲁棒性的实证研究
计算机视觉与模式识别
2023-05-25 v2
摘要
分割一切模型（SAM）是一种用于通用图像分割的基础模型。尽管它在自然图像上主要展现出令人印象深刻的性能，但理解其针对各种图像扰动和领域的鲁棒性对于现实世界应用至关重要，因为此类挑战频繁出现。在本研究中，我们对 SAM 在多种真实世界条件下的鲁棒性进行了全面调查。我们的实验涵盖广泛的图像扰动。实验结果表明，SAM 在扰动图像下的性能普遍下降，且在不同扰动下的脆弱程度各异。通过根据每个数据集的独特特征定制提示技术并利用领域知识，可增强模型对这些扰动的抵御能力，从而应对特定数据集的挑战。本工作揭示了 SAM 在现实应用中的局限与优势，促进了更鲁棒且通用的图像分割解决方案的发展。
引用
@article{arxiv.2305.06422,
title = {An Empirical Study on the Robustness of the Segment Anything Model (SAM)},
author = {Yuqing Wang and Yun Zhao and Linda Petzold},
journal= {arXiv preprint arXiv:2305.06422},
year = {2023}
}
备注
27 pages, in submission