SAM 2 在类无监督实例级分割任务上的评估研究
计算机视觉与模式识别
2024-09-05 v1
摘要
Segment Anything Model（SAM）已在自然场景中展示出强大的零样分割性能。最近发布的 Segment Anything Model 2（SAM2）进一步提升了研究人员对图像分割能力的期望。为了评估 SAM2 在类无监督实例级分割任务上的性能，我们采用不同的提示策略应对 SAM2 处理实例级任务，针对三个相关场景进行测试：显著性实例分割（SIS）、伪装实例分割（CIS）和阴影实例检测（SID）。此外，为了进一步探索 SAM2 在分割粗粒度对象结构方面的有效性，我们还对高分辨率 Dichotomous Image Segmentation（DIS）基准进行了详细测试，以评估其在细粒度分割方面的能力。定性和定量实验结果表明，SAM2 在不同场景下的性能差异很大。此外，SAM2 对分割高分辨率细节并不特别敏感。我们希望本技术报告能推动基于 SAM2 的适配器的出现，旨在提高大型视觉模型在类无监督实例分割任务上的性能上限。
引用
@article{arxiv.2409.02566,
title = {How Do You Perceive My Face? Recognizing Facial Expressions in Multi-Modal Context by Modeling Mental Representations},
author = {Florian Blume and Runfeng Qu and Pia Bideau and Martin Maier and Rasha Abdel Rahman and Olaf Hellwich},
journal= {arXiv preprint arXiv:2409.02566},
year = {2024}
}
备注
GCPR 2024