通过大规模数据集SATIR的知识蒸馏学习热红外图像中的“分割一切”
计算机视觉与模式识别
2023-04-18 v1
摘要
Segment Anything Model（SAM）是Meta AI最近提出的一种可提示分割模型，其在图像分割之外的多个领域均展现了强大能力。SAM能够跨不同领域准确分割图像并生成多种掩码。我们发现SAM的这一能力可用于特定领域模型的预训练。据此，我们提出了一种利用SAM为热红外图像分割任务生成伪标签以进行预训练的框架。我们所提框架能有效提升特定类别的分割精度，超越SOTA的ImageNet预训练模型。我们的框架提供了一种与SAM等大数据训练模型协作解决特殊领域问题的新思路。此外，我们生成了一个用于预训练的大规模热红外分割数据集，包含超过100,000张带像素标注标签的图像。该方法为在标注困难的特定领域中使用大模型提供了有效解决方案。我们的代码见 https://github.com/chenjzBUAA/SATIR
引用
@article{arxiv.2304.07969,
title = {Learning to "Segment Anything" in Thermal Infrared Images through Knowledge Distillation with a Large Scale Dataset SATIR},
author = {Junzhang Chen and Xiangzhi Bai},
journal= {arXiv preprint arXiv:2304.07969},
year = {2023}
}
备注
5 pages, 4 figures, 1 table