Leaf Only SAM：一种用于零样本自动叶片分割的 Segment Anything 流程
计算机视觉与模式识别
2023-05-23 v2
摘要
Segment Anything Model（SAM）是一种新的基础模型，可作为零样本目标分割方法使用，借助边界框、多边形或点等引导提示实现。或者，也可在分割图像中一切后，使用额外的后处理步骤来识别感兴趣对象。在此我们提出一种将 segment anything 与一系列后处理步骤结合以分割马铃薯叶片的方法，称为 Leaf Only SAM。该方法的优势在于无需任何训练数据即可得出结果，因此在缺乏高质量标注数据的植物表型领域具有广泛应用。我们将 Leaf Only SAM 的性能与在我们小型新颖马铃薯叶片数据集上微调过的 Mask R-CNN 模型进行比较。在评估数据集上，Leaf Only SAM 的平均召回率为 63.2，平均精确率为 60.3，而 Mask R-CNN 的召回率为 78.7、精确率为 74.7。Leaf Only SAM 在我们的数据上未优于微调后的 Mask R-CNN 模型，但基于 SAM 的模型无需对新数据集进行额外训练或标注。这表明通过添加后处理步骤，有潜力将 SAM 用作零样本分类器。
引用
@article{arxiv.2305.09418,
title = {Leaf Only SAM: A Segment Anything Pipeline for Zero-Shot Automated Leaf Segmentation},
author = {Dominic Williams and Fraser Macfarlane and Avril Britten},
journal= {arXiv preprint arXiv:2305.09418},
year = {2023}
}
备注
9 pages, 4 figures