SAMSOD：重新思考 RGB-T 显著性目标检测中的 SAM 优化
计算机视觉与模式识别
2025-10-07 v1
摘要
RGB-T 显著性目标检测（SOD）旨在通过结合RGB和热红外图像来分割吸引力对象。为提升性能，已对Segment Anything Model进行微调以适用于此任务。然而，两种模态的收敛不平衡以及高激活与低激活之间的显著梯度差异被忽略，从而留下了进一步提升性能的余地。本文提出一种名为SAMSOD的模型，利用单模态监督来增强非主导模态的学习，并采用梯度去冲突以减少模型收敛上受冲突梯度的影响。该方法还利用两个解耦的适配器分别遮蔽高激活和低激活神经元，通过增强背景学习来强化前景对象。在RGB-T SOD基准数据集上的基础实验以及在受控标注 RGB-T SOD、一般 RGB-D SOD 数据集和全监督 RGB-D 轨道表面缺陷检测等可扩展性实验，充分证明了我们所提出方法的有效性。
引用
@article{arxiv.2510.03689,
title = {SAMSOD: Rethinking SAM Optimization for RGB-T Salient Object Detection},
author = {Zhengyi Liu and Xinrui Wang and Xianyong Fang and Zhengzheng Tu and Linbo Wang},
journal= {arXiv preprint arXiv:2510.03689},
year = {2025}
}
备注
Accepted by TMM