SAM-IF：利用 SAM 进行增量少样本实例分割
计算机视觉与模式识别
2024-12-17 v1
摘要
我们提出了 SAM-IF，这是一种新颖的方法，旨在利用 Segment Anything Model (SAM) 进行增量少样本实例分割。SAM-IF 通过引入多类分类器并微调 SAM 以聚焦于特定目标对象，来解决类无关实例分割的挑战。为了增强少样本学习能力，SAM-IF 采用基于余弦相似度的分类器，使其能够仅用最小数据即可高效适应新类别。此外，SAM-IF 支持增量学习，通过更新分类器权重来实现，而无需重新训练解码器。我们的方法在与现有方法相比取得了具竞争力但更合理的结果，尤其是在需要针对有限标注数据进行特定对象分割的场景中。
引用
@article{arxiv.2412.11034,
title = {SAM-IF: Leveraging SAM for Incremental Few-Shot Instance Segmentation},
author = {Xudong Zhou and Wenhao He},
journal= {arXiv preprint arXiv:2412.11034},
year = {2024}
}